Undergraduate Elective 1036

• Ελληνικά
• English

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Προπτυχιακό
Κωδικός Μαθήματος	MAE845
Εξάμηνο	8
Τίτλος Μαθήματος	Εισαγωγή στην Επεξεργασία Φυσικής Γλώσσας
Αυτοτελείς Διδακτικές Δραστηριότητες	Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 6)
Τύπος Μαθήματος	Ειδίκευσης
Προαπαιτούμενα Μαθήματα
Γλώσσα Διδασκαλίας και Εξετάσεων	Ελληνική
Το Μάθημα Προσφέρεται σε Φοιτητές Erasmus	Ναι (στην Αγγλική γλώσσα)
Ηλεκτρονική Σελίδα Μαθήματος (URL)	Δείτε το eCourse, την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων.

Μαθησιακά Αποτελέσματα

Μαθησιακά Αποτελέσματα

Σκοπός είναι η βαθύτερη κατανόηση της Επεξεργαίας Φυσικής Γλώσσας, αναλυτικότερα: Ιστορική Αναδρομή της Εξέλιξης της Γλωσσικής Τεχνολογίας. Στόχοι της Αυτόματης Επεξεργασίας Φυσικής Γλώσσας - Επισκόπηση Εφαρμογών. Επίπεδα γλωσσικής επεξεργασίας. Γλωσσικοί επεξεργαστές: μηχανές αναγνώρισης, μορφομετατροπείς, τεχνολόγοι, γεννήτορες. Γλώσσα ως σύστημα στηριζόμενο σε κανόνες. Κατανόηση γλώσσας ως δράση εξαγωγής συμπεράσματος. Πόροι για την Αυτόματη Επεξεργασία Φυσικής Γλώσσας: βάσεις δεδομένων και βάσεις γνώσεων. Δομές δεδομένων, αλγόριθμοι και έμπειρα συστήματα για τεχνολόγηση. Βασικές στρατηγικές τεχνολόγησης για γραμματικές ανεξάρτητες συμφραζομένων. Στοιχεία Μεθόδων Υπολογιστικής Μορφολογίας, Υπολογιστικής Σημασιολογίας και Επεξεργασίας Φυσικής Γλώσσας. Εφαρμογές. Μετά την ολοκλήρωση του μαθήματος ο φοιτητής / τρια μπορεί να χειριστεί: σε επίπεδο θεωρητικής τεκμηρίωσης προβλημάτων επίλυση ασκήσεων αναγνώριση εφαρμογών στα προαναφερθέντα θέματα της Επεξεργασίας Φυσικής Γλώσσας.

Γενικές Ικανότητες

Υλοποίηση - Εμπέδωση Επιλογή και σχεδίαση κατάλληλων αλγορίθμων τεχνολόγησης και παραγωγής προτάσεων φυσικής γλώσσας

Περιεχόμενο Μαθήματος

Εξοικείωση με : Την Εξέλιξης της Γλωσσικής Τεχνολογίας. Τους Στόχους της Αυτόματης Επεξεργασίας Φυσικής Γλώσσας - Επισκόπηση Εφαρμογών. Τα Επίπεδα γλωσσικής επεξεργασίας. Γλωσσικοί επεξεργαστές: μηχανές αναγνώρισης, μορφομετατροπείς, τεχνολόγοι, γεννήτορες. Τη Γλώσσα ως σύστημα στηριζόμενο σε κανόνες. Κατανόηση γλώσσας ως δράση εξαγωγής συμπεράσματος. Τους Πόρους για την Αυτόματη Επεξεργασία Φυσικής Γλώσσας: βάσεις δεδομένων και βάσεις γνώσεων. Δομές δεδομένων, αλγόριθμοι και έμπειρα συστήματα για τεχνολόγηση. Τις Βασικές στρατηγικές τεχνολόγησης για γραμματικές ανεξάρτητες συμφραζομένων. Τα Στοιχεία Μεθόδων Υπολογιστικής Μορφολογίας, Υπολογιστικής Σημασιολογίας και Επεξεργασίας Φυσικής Γλώσσας. Εφαρμογές.

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Παράδοσης	Πρόσωπο με πρόσωπο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών	Ναι. Χρήση του Εργαστηρίου Επεξεργασίας Φυσικής Γλώσσας και Μαθηματικών προβλημάτων
Οργάνωση Διδασκαλίας	Δραστηριότητα Φόρτος Εργασίας Εξαμήνου Διαλέξεις (13Χ3) 39 Αυτοτελής Μελέτη 78 Επίλυση Ασκήσεων - εργασίες 33 Σύνολο Μαθήματος 150
Αξιολόγηση Φοιτητών	Τελική γραπτή εξέταση

Συνιστώμενη Βιβλιογραφία

Δείτε την υπηρεσία Εύδοξος. Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος:

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Undergraduate
Course Code	MAE845
Semester	8
Course Title	Introduction to Natural Language Processing
Independent Teaching Activities	Lectures (Weekly Teaching Hours: 3, Credits: 6)
Special Background
Prerequisite Courses	-
Language of Instruction and Examinations	Greek
Is the Course Offered to Erasmus Students	Yes (in English)
Course Website (URL)	See eCourse, the Learning Management System maintained by the University of Ioannina.

Learning Outcomes

Learning outcomes

The goal of this course is the deeper understanding of Natural Language Processing (NLP). During the course a detailed examination of the following topics are done: A historical retrospection of Language Technology evolution The goal of NLP and its Applications The NLP levels. Language Processors such as recognition machines, transducers, parsers and generators The language as a rule based system. Language Understanding as process NLP Resources for parsing, such as Data Base, Knowledge Base, Data Structure, Algorithms and Expert Systems Fundamental parsing strategies concerning context free grammars. Fundamental Methods of Computational Morphology, Computational Semantics and NLP. Implementations-Applications After completing the course the student can handle: theoretical documentation of problems solving exercises tracking applications which related to NLP different topics.

General Competences

Handle new problems Decision making Implementation- Consolidation

Syllabus

A historical retrospection of Language Technology evolution The goal of NLP and its Applications The NLP levels. Language Processors such as recognition machines, transducers, parsers and generators The language as a rule based system. Language Understanding as process NLP Resources for parsing, such as Data Base, Knowledge Base, Data Structure, Algorithms and Expert Systems Fundamental parsing strategies concerning context free grammars. Fundamental Methods of Computational Morphology, Computational Semantics and NLP. Implementations-Applications

Teaching and Learning Methods - Evaluation

Delivery	Face to face
Use of Information and Communications Technology	Yes , Use of Natural Language and Mathematical Problems Processing Laboratory
Teaching Methods	Activity Semester Workload Lectures 39 Self study 78 Exercises 33 Course total 150
Student Performance Evaluation	Final test

Attached Bibliography

See the official Eudoxus site. Books and other resources, not provided by Eudoxus:

• Mitkov Ruslan, The Oxford Handbook of Computational Linguistics. ISBN 0-19-823882
• Jurafsky Daniel & Martin H. James, Speech and Language Processing - An Introduction to Ntural Language Proocessing, Computational Linguistics and Speech Recognition. ISBN 0-13-095069-6
• Allen James, Natural Language Understanding. ISBN 0-8053-0334-0,
• Natural Language Generation ed. by Gerard Kempen. ISBN 90-247-3558-0
• Professor's Notes.