Математические методы анализа текстов (курс лекций) / осень 2019
Материал из MachineLearning.
(Различия между версиями)
(→Правила выставления итоговой оценки) |
(→Программа курса) |
||
| (5 промежуточных версий не показаны.) | |||
| Строка 9: | Строка 9: | ||
==Контакты== | ==Контакты== | ||
| - | * Преподаватели курса: [[Участник:Vokov|Воронцов К.В.]], Апишев М.А., [[Участник:Arti_lehtonen|Попов А.С.]] | + | * Преподаватели курса: [[Участник:Vokov|Воронцов К.В.]], [[Участник:mapishev|Апишев М.А.]], [[Участник:Arti_lehtonen|Попов А.С.]] |
* На ВМК занятия проходят в аудитории 72 по вторникам, начало в 10:30 | * На ВМК занятия проходят в аудитории 72 по вторникам, начало в 10:30 | ||
| Строка 32: | Строка 32: | ||
===Правила выставления итоговой оценки=== | ===Правила выставления итоговой оценки=== | ||
| - | <tex>X_e</tex> — оценка за экзамен по 10-ти балльной шкале, <tex>X_d</tex> — суммарная оценка за практические задания, <tex>X_{max}</tex> — максимальная оценка за практические задания (без учёта бонусов) | + | <tex>X_e</tex> — оценка за экзамен по 10-ти балльной шкале, <tex>X_d</tex> — суммарная оценка студента за практические задания, <tex>X_{max}</tex> — максимальная оценка за практические задания (без учёта бонусов) |
* Если <tex>X_d / X_{max} \geq 1</tex> — максимальная оценка автоматом | * Если <tex>X_d / X_{max} \geq 1</tex> — максимальная оценка автоматом | ||
| Строка 64: | Строка 64: | ||
|- <!-- Новое занятие --> | |- <!-- Новое занятие --> | ||
| 4 | | 4 | ||
| - | | Задача теггинга последовательности. | + | | Задача теггинга последовательности. Условные случайные поля (CRF). |
| [[Media:mmta19crf.pdf|слайды]] | | [[Media:mmta19crf.pdf|слайды]] | ||
| | | | ||
| Строка 71: | Строка 71: | ||
| 5 | | 5 | ||
| Задача теггинга последовательности. Нейросетевые и комбинированные модели для теггинга. | | Задача теггинга последовательности. Нейросетевые и комбинированные модели для теггинга. | ||
| - | | | + | | [https://github.com/mmta-team/mmta_fall_2019/blob/master/05_rnn_tagging/rnn_tagging.pdf слайды] |
| - | | | + | | [https://github.com/mmta-team/mmta_fall_2019/tree/master/05_rnn_tagging/homework практическое задание 2] |
<!-- Конец занятия --> | <!-- Конец занятия --> | ||
|- <!-- Новое занятие --> | |- <!-- Новое занятие --> | ||
| 6 | | 6 | ||
| Языковое моделирование. Генерация текста на естественном языке. | | Языковое моделирование. Генерация текста на естественном языке. | ||
| - | | | + | | [https://github.com/mmta-team/mmta_fall_2019/blob/master/06_language_models/lm.pdf слайды] |
| | | | ||
<!-- Конец занятия --> | <!-- Конец занятия --> | ||
Версия 14:46, 10 октября 2019
|
В курсе рассматриваются основные задачи и математические методы обработки естественного языка.
Курс читается:
- студентам кафедры «Математические методы прогнозирования» ВМК МГУ с 2016 года
- студентам кафедры «Интеллектуальные системы» ФУПМ МФТИ с 2018 года
От студентов требуются знание курса машинного обучения, основ глубинного обучения, а также языка программирования Python.
Контакты
- Преподаватели курса: Воронцов К.В., Апишев М.А., Попов А.С.
- На ВМК занятия проходят в аудитории 72 по вторникам, начало в 10:30
- В ФИЦ ИУ РАН занятия по средам, начало в 16:10
- По всем конструктивным вопросам пишите в telegram-чат
- Репозиторий со всеми материалами: ссылка
- Короткая ссылка на страницу курса: ссылка
Правила сдачи курса
- В рамках курса предполагается четыре практических задания и экзамен.
- Практические задания сдаются в систему anytask (инвайт у преподавателя). Срок выполнения каждого задания — 2 недели. За каждое задание можно получить до 10-ти баллов. За каждый день просрочки назначается штраф 1 балл. Основной язык выполнения заданий — Python 3.
- Все практические задания выполняются самостоятельно. Любые работы, содержащие плагиат, оцениваются в 0 баллов.
- Правила сдачи экзамена появятся позднее.
Правила выставления итоговой оценки
— оценка за экзамен по 10-ти балльной шкале,
— суммарная оценка студента за практические задания,
— максимальная оценка за практические задания (без учёта бонусов)
- Если
— максимальная оценка автоматом
- Если
— пересдача автоматом
- Иначе, оценка в 10-ти балльной шкале вычисляется как
- Для ВМК и МАИ: 3-4 — оценка удовлетворительно, 5-7 — оценка хорошо, 8-10 — оценка отлично
- Правила выставления оценки на пересдаче будут обговариваться отдельно в конце курса
Программа курса
| № | Тема | Материалы | Д/З |
|---|---|---|---|
| 1 | Введение в область анализа текстов (Natural Language Processing). Обзор основных задач. | слайды | |
| 2 | Предобработка данных. Простейшие модели классификации. | слайды | |
| 3 | Векторные представления слов. | слайды | практическое задание 1 |
| 4 | Задача теггинга последовательности. Условные случайные поля (CRF). | слайды | |
| 5 | Задача теггинга последовательности. Нейросетевые и комбинированные модели для теггинга. | слайды | практическое задание 2 |
| 6 | Языковое моделирование. Генерация текста на естественном языке. | слайды | |
| 7 | Модель sequence-to-sequence в машинном переводе и других приложениях. | ||
| 8 | Глубокие архитектуры представления предложений и документов. | ||
| 9 | Синтаксический разбор и его применение в практических задачах. | ||
| 10 | Задача классификации текстов. | ||
| 11 | Тематическое моделирование. | ||
| 12 | Сегментация и суммаризация текстов. | ||
| 13 | To be announced | ||
| 14 | To be announced |
Страницы прошлых лет
2018 (ФУПМ МФТИ), 2018 (ВМК МГУ)
Дополнительные материалы
Литература
- Dan Jurafsky and James H. Martin Speech and Language Processing (3rd ed. draft)
- Stewen Bird et. al. Natural Language Processing with Python. 2-nd edition. 2016.
- Большакова Е.И., Воронцов К.В., Ефремова Н.Э., Клышинский Э.С., Лукашевич Н.В., Сапин А.С. Автоматическая обработка текстов на естественном языке и анализ данных. НИУ ВШЭ, 2017.
- LxMLS summer school Practical guide on NLP in Python
Другие курсы по NLP
