Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka							Poziom i forma studiów	drugiego stopnia niestacjonarne
Specjalność / Ścieżka dyplomowania	Systemy Inteligentne							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Przetwarzanie języka naturalnego							Kod przedmiotu	INZ2PJN
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	2/3
	10				20			Punkty ECTS	3
Przedmioty wprowadzające
Cele przedmiotu	Zapoznanie z teorią, metodologią, zasobami i narzędziami do przetwarzania języka naturalnego. Zdobycie umiejętności posługiwania się metodami i algorytmami z zakresu przetwarzania języka naturalnego.
Treści programowe	Wykład: 1. Wprowadzenie. Przegląd zadań PJN. 2. Podstawowe narzędzia: Sentence Detector, Tokenizer, Named Entity Recognition, Part-of-Speech Tagger, Parser 3. Koreferencje 4. Klasyfikacja dokumentów tekstowych 5. Ekstrakcja informacji z tekstu 6. Word embedding 7. Indeksowanie pełnotekstowe, lematyzacja, steeming 8. Sentiment analysis Pracownia specjalistyczna: 1. Zapoznanie praktyczne z wybranymi narzędziami i technikami przetwarzania języka naturalnego. 2. Realizacja wybranego zadania projektowego wykorzystującego techniki przetwarzania języka naturalnego.
Metody dydaktyczne	wykład problemowy, programowanie z użyciem komputera,
Forma zaliczenia	Wykład - test zaliczający. Pracownia specjalistyczna - przygotowanie i obrona projektu.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	zna problematykę, metody i narzędzia związane z przetwarzaniem języka naturalnego								INF2_W03 INF2_W07
EU2	posiada umiejętność doboru metod i narzędzi do konkretnego problemu przetwarzania języka naturalnego								INF2_U02 INF2_U04 INF2_U09
EU3	posiada umiejętność zaprojektowania i umotywowania wyborów w procesie budowy złożonego systemu wykorzystującego metody i narzędzia przetwarzania języka naturalnego								INF2_W03 INF2_W05
EU4	posiada umiejętność pracy w grupie 2-3 osobowej nad projektem programistycznym								INF2_U13
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	test zaliczający wykład								W
EU2	prezentacja i obrona projektu programistycznego								Ps
EU3	test zaliczający wykład								W
EU4	prezentacja i obrona projektu programistycznego								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach - 10x1h								10
	2 - Udział w pracowni specjalistycznej - 10x2h								20
	3 - Praca nad projektami w domu/laboratorium (w tym przygotowanie sprawozdania z projektu)								35
	4 - Przygotowanie do testu zaliczającego wykład								8
	5 - Udział w konsultacjach związany z przygotowaniem projektów								2
RAZEM:									75
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									32 (1)+(5)+(2)	1.3
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									55 (3)+(2)	2.2
Literatura podstawowa	1. Materiały podane przez prowadzącego.
Literatura uzupełniająca	1. W. Lubaszewski, Słowniki komputerowe i automatyczna ekstrakcja informacji z tekstu, UWND AGH, 2009. 2. S. Bird, E. Klein, E. Loper, Natural Language Processing with Python, O'Reilly Media, 2009. 3. D. Jurafsky, J. H. Martin, Spech and Language Processing - An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition, Prentice Hall, 2008. 4. Ch. D. Manning, H. Schutze, Foundations of Statistical Natural Language Processing, MIT Press, Cambridge Massachusetts, 1999. 5. D. Li, Y. Liu, eds., Deep learning in natural language processing, Springer, 2018.
Jednostka realizująca	Katedra Oprogramowania								Data opracowania programu
Program opracował(a)	dr inż. Marcin Adamski,dr inż. Jerzy Krawczuk,dr inż. Tomasz Łukaszuk								2020.05.22