- ES Español (Latinoamérica)

- EN English

3.64. AI262 Procesamiento de Lenguaje Natural (Electivo)
- Créditos: 4
- Horas del curso: Teoría: 2 horas; Laboratorio: 4 horas;
- Sílabo:


Español (Latinoamérica)

English - Prerrequisitos:
- STA251 Estadística y Probabilidades (2do Sem)
- ES Español (Latinoamérica)

- EN English

3.64.1. Justificación Volver arriba


Este curso introduce los fundamentos teóricos y prácticos del Procesamiento de Lenguaje Natural (NLP), cubriendo desde técnicas clásicas hasta modelos modernos basados en deep learning. Los estudiantes aprenderán a implementar pipelines completos de NLP para aplicaciones como análisis de sentimientos, traducción automática y chatbots.
- ES Español (Latinoamérica)

- EN English

3.64.2. Objetivos Generales Volver arriba


- Comprender la representación computacional del lenguaje humano.
- Implementar algoritmos para procesamiento de texto en Python.
- Aplicar modelos de NLP a problemas reales usando frameworks modernos.
- ES Español (Latinoamérica)

- EN English

3.64.3. Contribución a los resultados (Outcomes) Volver arriba


- AG-C09) Diseño y Desarrollo de Soluciones: Diseña, implementa y evalúa soluciones para problemas complejos de computación. (Usage)
- AG-C11) Uso de Herramientas: Aplica herramientas modernas de computación en la resolución de problemas. (Usage)
- ES Español (Latinoamérica)

- EN English

3.64.4. Contenido Volver arriba


- ES Español (Latinoamérica)

- EN English

3.64.4.1. Fundamentos de NLP (15 horas) [Habilidades AG-C09,AG-C11] Volver arriba


Referencias Bibliográficas: (Jurafsky and Martin, 2021; Manning and Schütze, 1999)
Temas
- Tokenización y representación de texto
- Modelos de n-gramas y suavizado
- Extracción de características (TF-IDF, word embeddings)
Aprendizaje esperado (Learning Outcomes)
- Preprocesar texto para modelos de NLP [Usar]
- Explicar limitaciones de modelos estadísticos clásicos [Familiarizarse]
- ES Español (Latinoamérica)

- EN English

3.64.4.2. Modelado de Lenguaje (15 horas) [Habilidades AG-C09,AG-C11] Volver arriba


Referencias Bibliográficas: (Goldberg, 2017; Mikolov et al., 2013b)
Temas
- Word2Vec, GloVe y FastText
- Redes neuronales recurrentes (RNNs) para NLP
- Modelos de secuencia a secuencia (seq2seq)
Aprendizaje esperado (Learning Outcomes)
- Entrenar embeddings de palabras [Usar]
- Implementar RNNs básicas para generación de texto [Evaluar]
- ES Español (Latinoamérica)

- EN English

3.64.4.3. Transformers y NLP Moderno (15 horas) [Habilidades AG-C09,AG-C11] Volver arriba


Referencias Bibliográficas: (Vaswani et al., 2017b; Devlin et al., 2019)
Temas
- Arquitectura Transformer (atención auto-supervisada)
- BERT y modelos pre-entrenados
- Fine-tuning para tareas específicas
Aprendizaje esperado (Learning Outcomes)
- Aplicar modelos pre-entrenados con HuggingFace [Usar]
- Evaluar métricas de desempeño en NLP [Evaluar]
- ES Español (Latinoamérica)

- EN English

3.64.4.4. Aplicaciones Prácticas (15 horas) [Habilidades AG-C09,AG-C11] Volver arriba


Referencias Bibliográficas: (Jurafsky and Martin, 2021; Chollet, 2021)
Temas
- Análisis de sentimientos con transformers
- Sistemas de pregunta-respuesta
- Despliegue de modelos con Flask/FastAPI
Aprendizaje esperado (Learning Outcomes)
- Construir un pipeline completo de NLP [Usar]
- Optimizar modelos para producción [Evaluar]
- ES Español (Latinoamérica)

- EN English

3.64.5. Referencias Bibliográficas Volver arriba


Jurafsky, D. and Martin, J. H. (2021). Speech and Language Processing. Pearson, 3rd edition.
Manning, C. D. and Schütze, H. (1999). Foundations of Statistical Natural Language Processing. MIT Press.
Goldberg, Y. (2017). Neural Network Methods for Natural Language Processing. Morgan & Claypool.
Mikolov, T., Chen, K., Corrado, G., and Dean, J. (2013b). Efficient estimation of word representations in vector space. arXiv:1301.3781.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., and Polosukhin, I. (2017b). Attention is all you need. Advances in Neural Information Processing Systems, 30.
Devlin, J., Chang, M.-W., Lee, K., and Toutanova, K. (2019). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv:1810.04805.
Chollet, F. (2021). Deep Learning with Python. Manning, 2nd edition.