Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka							Poziom i forma studiów	pierwszego stopnia inżynierskie stacjonarne
Specjalność / Ścieżka dyplomowania	---							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Techniki i narzędzia przetwarzania języka naturalnego							Kod przedmiotu	INF1PJN
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	5
	26				30			Punkty ECTS	5
Przedmioty wprowadzające	Programowanie obiektowe (INF1POB),
Cele przedmiotu	Celem przedmiotu jest zapoznanie studentów z podstawowymi metodami i narzędziami stosowanymi w analizie i przetwarzaniu języka naturalnego (NLP). W trakcie zajęć studenci zdobywają wiedzę na temat reprezentacji tekstu, ekstrakcji informacji, analizy składniowej i semantycznej oraz uczenia maszynowego w kontekście NLP. Przedmiot kładzie nacisk na praktyczne zastosowanie nowoczesnych bibliotek i frameworków, takich jak NLTK, spaCy czy Transformers, umożliwiających tworzenie aplikacji przetwarzających dane tekstowe. Ukończenie kursu pozwala studentom na samodzielne projektowanie i implementowanie rozwiązań NLP w różnych dziedzinach informatyki. Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA: Data Science (DATS) - poziom 3 Artificial Intelligence (AI) and Data Ethics (AIDE) - poziom 2 Machine Learning (MLNG) - poziom 3 Programming/Software Development (PROG) - poziom 3 Data Analytics (DAAN) - poziom 2
Treści programowe	Wykład: 1. Wprowadzenie do przetwarzania języka naturalnego 2. Reprezentacja tekstu i przetwarzanie wstępne 3. Analiza składniowa i strukturalna języka 4. Modelowanie języka i wektoryzacja semantyczna 5. Ekstrakcja informacji i rozpoznawanie encji (NER) 6. Uczenie maszynowe w NLP 7. Nowoczesne architektury i modele językowe 8. Zaliczenie wykładu Pracownia specjalistyczna: 1. Zapoznanie się z bibliotekami do przetwarzania języka naturalnego 2. Wstępna obróbka tekstu i analiza statystyczna korpusu 3. Analiza składniowa i rozbiór gramatyczny z użyciem spaCy 4. Wektoryzacja tekstu: od Bag-of-Words do Word2Vec 5. Rozpoznawanie nazwanych bytów (NER) i ekstrakcja informacji 6. Klasyfikacja tekstu i analiza sentymentu z użyciem scikit-learn 7. Tworzenie chatbotów opartych na regułach i uczeniu maszynowym 8. Zastosowanie modeli BERT do klasyfikacji i ekstrakcji informacji 9-14. Realizacja zadania projektowego 15. Wystawienie ocen
Metody dydaktyczne	wykład problemowy, programowanie z użyciem komputera, wykład informacyjny,
Forma zaliczenia	Wykład: zaliczenie pisemne. Pracownia specjalistyczna: zadanie projektowe.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	podstawowe techniki przetwarzania tekstu w języku naturalnym, problematykę, metody i narzędzia związane z przetwarzaniem języka naturalnego								INF1_W10 INF1_W12 INF1_W14
EU2	identyfikować problemy możliwe do rozwiązania metodami przetwarzania języka naturalnego								INF1_U10 INF1_U12
EU3	korzystać z wybranych bibliotek i narzędzi w realizacji zadań wymagających przetwarzania języka naturalnego								INF1_U07 INF1_U11 INF1_U13
EU4	krytycznej oceny możliwości wykorzystania technik przetwarzania języka naturalnego w różnych kontekstach								INF1_K01
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	zaliczenie pisemne								W
EU2	ocena projektu								Ps
EU3	ocena projektu								Ps
EU4	ocena projektu								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach								16
	2 - Udział w pracowni specjalistycznej								40
	3 - Wykonanie zadań domowych oraz przygotowywanie sprawozdań								20
	4 - Realizacja zadań projektowych (w tym przygotowanie prezentacji)								35
	5 - Udział w konsultacjach								4
	6 - Przygotowanie do zaliczenia								10
RAZEM:									125
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									60 (1)+(2)+(5)	2.4
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									95 (2)+(3)+(4)	3.8
Literatura podstawowa	1. J. S. Coleman, Introducing speech and language processing. Cambridge university press, 2005 2. S. Bird, E. Klein, E. Loper, Natural language processing with Python: analyzing text with the natural language toolkit. O'Reilly Media, Inc., 2009 3. J. Thanaki, Python natural language processing. Packt Publishing Ltd., 2017
Literatura uzupełniająca	1. D. Rothman, Transformers for Natural Language Processing: Build innovative deep neural network architectures for NLP with Python, PyTorch, TensorFlow, BERT, RoBERTa, and more. Packt Publishing Ltd., 2021 2. Ravichandiran, S., Getting Started with Google BERT: Build and train state-of-the-art natural language processing models using BERT. Packt Publishing Ltd., 2021 3. D. Altinok, Mastering spaCy: An end-to-end practical guide to implementing NLP applications using the Python ecosystem. Packt Publishing Ltd., 2021
Jednostka realizująca	Katedra Oprogramowania								Data opracowania programu
Program opracował(a)	dr inż. Jerzy Krawczuk,dr inż. Tomasz Łukaszuk								2025.02.23