Sumários

Modelos de espaços Vetoriais e Regressão Logística

5 Novembro 2024, 14:00 Ana Catarina dos Santos Martins


No que diz respeito a Modelos de Espaços Vetoriais:
- Matriz de co-ocorrência ou representações termo-termo;
- Distância vetorial: euclidiana e cosseno 
- Métodos de ponderação de matrizes: positive pontual mutual information
- Métodos de representação semântica de alto nível: revisitar a Latent Semantic Analysis.
Introdução à Regressão Logística binária para classificação da valência de documentos:
- Revisitar cross entropy loss e stochastic gradient descent.

1º Teste de avaliação

29 Outubro 2024, 14:00 Ana Catarina dos Santos Martins


Teste de avaliação sobre os conteúdos abordados até à data, nomeadamente:

- definição de corpora, normalização, tokenização, expressões regulares, distância de edição, part of speech tagging, named entity recognition e Naive Bayes para classificação de sentimentos.

Continuação de Naive Bayes, representação Vetorial e introdução a modelação de tópicos utilizando fatorização de matrizes

25 Outubro 2024, 09:30 António Raimundo


- Sumário da teoria sobre Naive Bayes;

- Exemplo de aplicação para análise de sentimento;
- Introdução a modelação de tópicos utilizando Singular Value Decomposition e Non-negative Matrix Factorization;
- Exemplos práticos sobre modelação de tópicos utilizando um dataset da Usenet.

Continuação de Naive Bayes, representação Vetorial e introdução a modelação de tópicos utilizando fatorização de matrizes

22 Outubro 2024, 14:00 Ana Catarina dos Santos Martins


- Sumário da teoria sobre Naive Bayes;

- Exemplo de aplicação para análise de sentimento;
- Introdução a modelação de tópicos utilizando Singular Value Decomposition e Non-negative Matrix Factorization;
- Exemplos práticos sobre modelação de tópicos utilizando um dataset da Usenet.

Part of Speech Tagging com Hidden Markov Models e Naive Bayes para análise de sentimentos

18 Outubro 2024, 09:30 António Raimundo


- Aplicações de Cadeias de Markov e Hidden Markov Models;

- Demonstração das bases matemáticas de Hidden Markov Models;
- Explicação de matrizes de transição, emissão, observáveis e estados ocultos;
- Exercícios de aplicação;
- Introdução a Naive Bayes e exercícios aplicados a análise de sentimentos.