Currículo
Aprendizagem Probabilística para Pln APPLN
Contextos
Groupo: Escola de Tecnologias e Arquitetura > Optativas
ECTS
6.0 (para cálculo da média)
Objectivos
No final desta UC, os estudantes deverão ter desenvolvido conhecimentos: OA1: Desenvolver estratégias básicas de extração de features a partir de texto OA2: Descrever os conceitos fundamentais da aprendizagem automática estatística OA3: Identificar os métodos mais comuns de aprendizagem automática estatística e suas vantagens e desvantagens OA4: Aplicar métodos de aprendizagem automática estatística para resolver problemas de processamento de língua natural
Programa
Aprendizagem automática estatística CP1: Conceitos fundamentais de aprendizagem automática estatística CP2: Aprendizagem supervisionada e não supervisionada CP3: Métodos de regressão e classificação CP4: Métodos generativos e discriminativos CP5: Modelação de sequências Extração de features CP6: Extração de features a partir de texto CP7: Processamento de XML, extração de features de dados estruturados em XML Aplicações práticas CP8: Utilização de toolkits para modelação e classificação CP9: Anotação morfossintática automática CP10: Análise de sentimento CP11: Classificação em tópicos CP12: Processamento de transcrições de fala CP13: Processamento de conteúdos produzidos nas redes sociais
Método de Avaliação
As aulas são divididas em dois módulos principais e um módulo intercalar.O 1º módulo predominantemente teórico, é caracterizado por aulas expositivas. O 2º módulo principal é composto por aulas laboratoriais, onde serão demonstrados os conceitos apresentados em aplicações práticas.O módulo intercalar serve como preparação para o último dos módulos. Trabalho autónomo, espera-se que os alunos pesquisem e analisem literatura relevante e complementem o trabalho de implementação iniciado em aula. | A avaliação é contínua e individual no período lectivo, consistindo em três trabalhos e dois mini-testes a realizar durante as aulas. Cada item da avaliação contínua vale 20%. É obrigatória a presença em 66% das aulas. O exame final é composto por parte teórica e prática realizadas no ISCTE-IUL. Da avaliação durante o período lectivo, resulta a dispensa de exame final, em caso de classificação positiva
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 125.0
Carga Total -
Bibliografia
Principal
- 3.Ian H. Witten, Eibe Frank, and Mark A. Hall. Data Mining: Practical Machine Learning Tools and Techniques (Third Edition). 2011. Morgan Kaufman. ISBN: 978-0-12-374856-0 (http://www.cs.waikato.ac.nz/ml/weka/book.html) 2.Foundations of Statistical Natural Language Processing, Christopher D. Manning and Hinrich Schütze, 1999, The MIT Press 1.SPEECH and LANGUAGE PROCESSING: An Introduction to Natural Language Processing, Computational Linguistics and Speech Recognition, Daniel Jurafsky & James H. Martin, 2009 (Second Edition), Prentice-Hall :