Математические методы анализа текстов (курс лекций) / осень 2019
Материал из MachineLearning.
(Различия между версиями)
(→Программа курса) |
(→Контакты) |
||
| Строка 13: | Строка 13: | ||
* 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 | ||
| - | * В ФИЦ ИУ РАН занятия | + | * В ФИЦ ИУ РАН занятия по средам, начало в 16:10 |
* По всем конструктивным вопросам пишите в [https://t.me/joinchat/B2UcORRlc1j_RpANlJi1Xg telegram-чат] | * По всем конструктивным вопросам пишите в [https://t.me/joinchat/B2UcORRlc1j_RpANlJi1Xg telegram-чат] | ||
| - | + | ||
==Правила сдачи курса== | ==Правила сдачи курса== | ||
Версия 18:26, 12 сентября 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
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 появятся позднее.
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. | ||
| 3 | Векторные представления слов. | слайды | |
| 4 | Задача теггинга последовательности. Графические модели для теггинга. | ||
| 5 | Задача теггинга последовательности. Нейросетевые и комбинированные модели для теггинга. | ||
| 6 | Языковое моделирование. Генерация текста на естественном языке. | ||
| 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
