|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KIV / ANLP
:
Popis předmětu
Pracoviště / Zkratka
|
KIV
/
ANLP
|
Akademický rok
|
2024/2025
|
Akademický rok
|
2024/2025
|
Název
|
Zpracování přirozených jazyků
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Název dlouhý
|
Pokročilé metody zpracování přirozených jazyků
|
Akreditováno / Kredity
|
Ano,
6
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
3
[HOD/TYD]
Cvičení
2
[HOD/TYD]
|
Zápočet před zkouškou
|
Ano
|
Zápočet před zkouškou
|
Ano
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
ANO
|
Vyučovací jazyk
|
Čeština
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
0 / -
|
0 / -
|
0 / -
|
Počítán do průměru
|
ANO
|
Zimní semestr
|
5 / -
|
0 / -
|
0 / -
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Zimní + Letní
|
Vyučovaný semestr
|
Zimní + Letní
|
Minimum (B + C) studentů
|
5
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Čeština
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
|
Hodnotící stupnice |
1|2|3|4 |
Periodicita |
každý rok
|
Hodnotící stupnice pro zp. před zk. |
S|N |
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ano
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
1|2|3|4 |
Hodnotící stupnice pro zp. před zk. |
S|N |
Nahrazovaný předmět
|
Žádný
|
Vyloučené předměty
|
KIV/NLP-E
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
KIV/SU a KIV/IR
|
Předměty,které předmět podmiňuje
|
KIV/NLP, KIV/NLSZ
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
Cílem předmětu je předat studentům pokročilé znalosti o moderních přístupech ke zpracování dat přirozeného jazyka. Studenti získají praktické dovednosti přinášející jim zásadní výhodu na trhu práce i teoretické znalosti vhodné pro zahájení jejich vědecké kariéry.
|
Požadavky na studenta
|
Vypracování a obhájení semestrálního projektu. Složení ústní zkoušky z tematického okruhu z přednášek. Splnění všech termínů, odevzdání semestrálního projektu nejpozději do konce ledna i včasná registrace na zkoušku.
Z důvodu průběžné aktualizace předmětu je pro získání zápočtu při opakovaném zapsání předmětu (viz SZŘ čl. 24 odst. 3) nutné souhlasné vyjádření garanta předmětu.
|
Obsah
|
1. Opakování: vícevrstvý perceptron a algoritmus zpětného síření chyby.
2. Jazykové modely a Word2Vec.
3. Konvoluční neuronové sítě.
4. Rekurentní neuronové sítě.
5. LSTM, GRU, značkování.
6. Encoder-decoder architektura, strojový překlad.
7. Princip Attention.
8. Transformer architektura.
9. BERT a obdobné modely.
10. Adaptace předtrénovaných modelů na cílové úlohy.
11. Generativní modely.
12. Adversarial training v NLP.
13. Využití nástrojů pro hluboké učení na zpracování textových dat.
|
Aktivity
|
|
Studijní opory
|
|
Garanti a vyučující
|
|
Literatura
|
-
Základní:
Jurafsky, Daniel; Martin, James H. Speech and language processing : an introduction to natural language processing, computational linguistics, and speech recognition. 2nd ed. Upper Saddle River : Pearson/Prentice Hall, 2009. ISBN 978-0-13-504196-3.
-
Doporučená:
A Primer on Neural Network Models for Natural Language Processing
(Yoav Goldberg)
-
Doporučená:
Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series). MIT press, 2016. ISBN 9780262035613.
-
Doporučená:
François Chollet. Deep Learning with Python. 2017. ISBN 9781617294433.
-
Doporučená:
Christopher D. Manning and Hinrich Schütze. Foundations of Statistical Natural Language Processing. MIT Press, Cambridge, MA, USA, 1999.
-
Doporučená:
Aurélien Géron. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media, 2017. ISBN 1491962291.
-
Doporučená:
Jacob Eisenstein. Introduction to Natural Language Processing (Adaptive Computation and Machine Learning series). MIT Press, 2019. ISBN 0262042843.
-
Doporučená:
Delip Rao, Brian McMahan. Natural Language Processing with PyTorch: Build Intelligent Language Applications Using Deep Learning. ISBN 1491978236.
-
On-line katalogy knihoven
|
Časová náročnost
|
Všechny formy studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
Praktická výuka [vyjádření počtem hodin]
|
26
|
Kontaktní výuka
|
26
|
Příprava na zkoušku [10-60]
|
40
|
Příprava na dílčí test [2-10]
|
10
|
Projekt individuální [40]
|
60
|
Celkem
|
162
|
|
Předpoklady
|
Odborné znalosti - pro úspěšné zvládnutí předmětu se předpokládá, že je student před zahájením výuky schopen: |
orientovat se v základních metodách pravděpodobnosti a statistiky |
orientovat se v základních metodách strojového učení |
řešit informatické úlohy na úrovni Bc v oboru Informatika, či obdobného oboru |
Odborné dovednosti - pro úspěšné zvládnutí předmětu se předpokládá, že student před zahájením výuky dokáže: |
dekomponovat úlohy na jednodušší celky |
implementovat složitější programy v imperativní programovacím jazyce |
řešit úlohy lineární algebry |
Obecné způsobilosti - před zahájením studia předmětu je student schopen: |
mgr. studium: používají své odborné znalosti, odborné dovednosti a obecné způsobilosti alespoň v jednom cizím jazyce, |
|
Výsledky učení
|
Odborné znalosti - po absolvování předmětu prokazuje student znalosti: |
orientovat se v problematice vícejazyčného zpracování textů |
orientovat se v problematice vyhodnocování úspěšnosti metod zpracování přirozeného jazyka |
orientovat se v základních metodách sumarizace textů |
popsat principy zpracování přirozeného jazyka a vyhledávání v textových datech |
Odborné dovednosti - po absolvování předmětu prokazuje student dovednosti: |
aplikovat strojové učení na oblast zpracování přirozeného jazyka |
trénovat jazykové modely |
vytvářet algoritmy automatického hodnocení sémantické podobnosti slov, vět a dokumentů |
vytvářet algoritmy pro větný rozbor |
vytvářet algoritmy strojového učení |
vytvářet algoritmy značkování pojmenovaných entit |
Obecné způsobilosti - po absolvování předmětu je student schopen: |
mgr. studium: srozumitelně a přesvědčivě sdělují odborníkům i laikům informace o povaze odborných problémů a vlastním názoru na jejich řešení, |
mgr. studium: srozumitelně a přesvědčivě sdělují odborníkům i širší veřejnosti vlastní odborné názory, |
|
Hodnoticí metody
|
Odborné znalosti - odborné znalosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Test, |
Ústní zkouška, |
Odborné dovednosti - odborné dovednosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Seminární práce, |
Obecné způsobilosti - obecné způsobilosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Ústní zkouška, |
|
Vyučovací metody
|
Odborné znalosti - pro dosažení odborných znalostí jsou užívány vyučovací metody: |
Cvičení (praktické činnosti), |
Diskuse, |
E-learning, |
Individuální konzultace, |
Přednáška s aktivizací studentů, |
Přednáška s diskusí, |
Samostudium, |
Výuka podporovaná multimédii, |
Odborné dovednosti - pro dosažení odborných dovedností jsou užívány vyučovací metody: |
Samostatná práce studentů, |
Obecné způsobilosti - pro dosažení obecných způsobilostí jsou užívány vyučovací metody: |
Přednáška s aktivizací studentů, |
|
|
|
|