2.1.19 AI/Procesamiento del Lenguaje Natural

Temas:
Non Core

• Gramáticas deterministas y estocásticas
• Algoritmos de análisis sintáctico:
  1. CFGs y analizadores de tabla (por ejemplo, CYK)
  2. CFGs probabilísticos y CYK ponderado
• Representación del significado/Semántica:
  1. Representaciones del conocimiento basadas en lógica
  2. Roles semánticos
  3. Representaciones temporales
  4. Creencias, deseos e intenciones
• Métodos basados en corpus
• N-gramas y HMMs
• Suavizado y retroceso
• Ejemplos de uso: Etiquetado POS y morfología
• Recuperación de información:
  1. Modelo de espacio vectorial:
     1. TF & IDF
  2. Precisión y exhaustividad
• Extracción de información
• Traducción de lenguaje
• Clasificación de texto, categorización:
  1. Modelo de bolsa de palabras
• Aprendizaje profundo para PLN:
  1. RNNs
  2. Transformers
  3. Incrustaciones multimodales (por ejemplo, imágenes + texto)
  4. Modelos de lenguaje generativos

Aprendizaje esperado (Learning Outcomes):
NonCore:

1. Definir y contrastar gramáticas deterministas y estocásticas, proporcionando ejemplos para mostrar la adecuación de cada una [Definir]
2. Simular, aplicar o implementar algoritmos clásicos y estocásticos para analizar lenguaje natural [Aplicar]
3. Identificar los desafíos de representar el significado [Analizar]
4. Listar las ventajas de usar corpus estándar. Identificar ejemplos de corpus actuales para una variedad de tareas de PLN [Listar/Enumerar]
5. Identificar técnicas para recuperación de información, traducción de lenguaje y clasificación de texto [Analizar]
6. Implementar una transformación TF/IDF, usarla para extraer características de un corpus, y entrenar un algoritmo de aprendizaje automático estándar usando esas características para hacer clasificación de texto [Aplicar]