МОВС Автоматический анализ текстов, NLP (2023-24 уч. год, 6 модуль) — различия между версиями
м (UPD after sem2) |
|||
Строка 36: | Строка 36: | ||
| style="background:#eaecf0;" | '''3''' [[ Запись]] || [[ Ноутбук]] Современные модели, основанные на модели Transformer || 15.11.23 || Предобученные языковые модели. Улица Сезам 1. || Итоговый тест 6 | | style="background:#eaecf0;" | '''3''' [[ Запись]] || [[ Ноутбук]] Современные модели, основанные на модели Transformer || 15.11.23 || Предобученные языковые модели. Улица Сезам 1. || Итоговый тест 6 | ||
|- | |- | ||
− | | style="background:#eaecf0;" | '''4''' [[ Запись]] || [[ Ноутбук]] Few- и zero-shot learning. Использование предобученных языковых моделей для задач классификации и вопросно-ответных систем || 22.11.23 || | + | | style="background:#eaecf0;" | '''4''' [[ Запись]] || [[ Ноутбук]] Few- и zero-shot learning. Использование предобученных языковых моделей для задач классификации и вопросно-ответных систем || 22.11.23 || Предобученные языковые модели. Улица Сезам 2 || Итоговый тест 7 |
|- | |- | ||
− | | style="background:#eaecf0;" | '''5''' [[ Запись]] || [[ Ноутбук]] Sequence Labeling: POS-теггинг и извлечение именованных сущностей (NER) || 29.11.23 || | + | | style="background:#eaecf0;" | '''5''' [[ Запись]] || [[ Ноутбук]] Sequence Labeling: POS-теггинг и извлечение именованных сущностей (NER) || 29.11.23 || Разметка последовательности (видео "Извлечение именованных сущностей (NER)" и "Перекрестное обучение") || - |
|- | |- | ||
− | | style="background:#eaecf0;" | '''6''' [[ Запись]] || [[ Ноутбук]] Тематическое моделирование и модель LDA || 06.12.23 || | + | | style="background:#eaecf0;" | '''6''' [[ Запись]] || [[ Ноутбук]] Тематическое моделирование и модель LDA || 06.12.23 || Тематическое моделирование || Итоговый тест 9 |
|- | |- | ||
− | | style="background:#eaecf0;" | '''7''' [[ Запись]] || [[ Ноутбук]] Синтаксический парсинг предложений || 13.12.23 || | + | | style="background:#eaecf0;" | '''7''' [[ Запись]] || [[ Ноутбук]] Синтаксический парсинг предложений || 13.12.23 || Синтаксис в рамках грамматики зависимостей || Итоговый тест 8 |
|- | |- | ||
− | | style="background:#eaecf0;" | '''8''' [[ Запись]] || [[ Ноутбук]] || 20.12.23 || | + | | style="background:#eaecf0;" | '''8''' [[ Запись]] || [[ Ноутбук]] || 20.12.23 || Суммаризация и симплификация текстов || Итоговый тест 10 |
|- | |- | ||
|} | |} |
Версия 11:35, 12 ноября 2023
Содержание
О курсе
Цель курса - ознакомление студентов с задачами и современными технологиями Natural Language Processing. Планируется ознакомление со статистическими и нейросетевыми подходами в NLP, приобретение навыков их использования в реальных практических задачах.
По завершению программы студенты будут уметь работать с текстовыми данными, знать основные методы предобработки текста и его векторизации. Студенты также должны овладеть современными фреймворками для работы с нейросетевыми моделями, ориентироваться в основных задачах в области обработки текстов: уметь сформулировать задачу, выбрать и реализовать на практике модель для ее решения.
Занятия проводятся в Zoom по средам в 19:40 (за исключением недели 11 - 17 декабря: вместо 13 декабря занятие состоится 15 декабря в 19:40).
Онлайн-курс в дополнение к парам: https://openedu.ru/course/hse/TEXT/
Контакты
Чат курса в TG: https://t.me/+eyYewvjvsEU0NjVi
Преподаватель: Саркисян Вероника Вагановна
Ассистент | Контакты |
---|---|
Артём Никитин | @SHAMPINION |
Андрей Дядюнов | @mr_dyadyunov |
Материалы курса
Плейлист курса на YouTube: https://www.youtube.com/playlist?list=PLmA-1xX7IuzBF1THckCvwhkITfhFs8ZB3
GitHub с материалами курса: https://github.com/Combo-Breaker/NLP_course_2023
Занятие | Тема | Дата | Теоретические материалы на платформе | Тесты |
---|---|---|---|---|
1 [Запись] | Ноутбук Обработка и аугментация текстов, векторные модели представления текста и задача классификации | 01.11.23 | Темы для повторения: Введение в анализ текстов, базовые методы предобработки и выделения признаков, Неглубокие векторные представления слов | - |
2 [Запись] | [Папка с ноутбуками] Языковое моделирование. Модель Encoder-Decoder, Механизм внимания и задачи Seq2Seq | 08.11.23 | Машинный перевод | Итоговый тест 5 |
3 Запись | Ноутбук Современные модели, основанные на модели Transformer | 15.11.23 | Предобученные языковые модели. Улица Сезам 1. | Итоговый тест 6 |
4 Запись | Ноутбук Few- и zero-shot learning. Использование предобученных языковых моделей для задач классификации и вопросно-ответных систем | 22.11.23 | Предобученные языковые модели. Улица Сезам 2 | Итоговый тест 7 |
5 Запись | Ноутбук Sequence Labeling: POS-теггинг и извлечение именованных сущностей (NER) | 29.11.23 | Разметка последовательности (видео "Извлечение именованных сущностей (NER)" и "Перекрестное обучение") | - |
6 Запись | Ноутбук Тематическое моделирование и модель LDA | 06.12.23 | Тематическое моделирование | Итоговый тест 9 |
7 Запись | Ноутбук Синтаксический парсинг предложений | 13.12.23 | Синтаксис в рамках грамматики зависимостей | Итоговый тест 8 |
8 Запись | Ноутбук | 20.12.23 | Суммаризация и симплификация текстов | Итоговый тест 10 |
Записи консультаций
Формула оценивания
Оценка = 0.3*ОТесты + 0.7*ОДЗ, где ОТесты - средняя оценка по тестам на платформе онлайн-курса, а ОДЗ - максимальная из оценок по двум домашним заданиям
Домашние задания
Дедлайн по сдаче тестов (всех): 22 декабря
- ДЗ 1: Классификация: https://www.kaggle.com/competitions/toxic-comments-classification-2023/overview
- ДЗ 2: NER (будет выдана после 5-го семинара)
Литература
- Manning, Christopher D., and Hinrich Schütze. Foundations of statistical natural language processing. Vol. 999. Cambridge: MIT press, 1999.
- Goldberg, Yoav. "Neural Network Methods for Natural Language Processing." Synthesis Lectures on Human Language Technologies 10, no. 1 (2017): 1-309.