Processamento de Linguagem Natural
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Engenharia Informática |
OFICIAL |
Ciência de Computadores |
Ocorrência: 2024/2025 - 2S
Ciclos de Estudo/Cursos
Sigla |
Nº de Estudantes |
Plano de Estudos |
Anos Curriculares |
Créditos UCN |
Créditos ECTS |
Horas de Contacto |
Horas Totais |
M.IA |
57 |
Plano de estudos oficial |
1 |
- |
6 |
42 |
162 |
Docência - Responsabilidades
Língua de trabalho
Inglês
Objetivos
Esta unidade curricular fornece uma introdução à área do Processamento de Linguagem Natural (PLN). No final da mesma, os estudantes devem ter adquirido uma compreensão abrangente da área e do seu estado da arte, bem como tendências de investigação recentes.
Resultados de aprendizagem e competências
Os objetivos de aprendizagem incluem:
- Adquirir os conceitos linguísticos fundamentais relevantes para o processamento de texto em linguagem natural.
- Entender os algoritmos e as técnicas básicas e do estado da arte para lidar com texto em linguagem natural.
- Familiarizar-se com as ferramentas e os recursos linguísticos mais avançados em PLN.
- Compreender e empregar métricas de avaliação para diferentes tarefas de PLN.
- Ser capaz de abordar um problema de PLN e resolvê-lo com as técnicas, algoritmos e ferramentas apropriados.
- Ler e compreender investigação atual sobre processamento de linguagem natural.
Modo de trabalho
Presencial
Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)
Conhecimentos de programação em Python.
Conhecimento básico de técnicas de aprendizagem computacional.
Programa
- Introdução ao processamento de linguagem natural: definições, tarefas e aplicações.
- Processamento básico de texto: expressões regulares, tokenização, normalização, lematização, stemming, segmentação.
- Modelos de linguagem: n-grams.
- Classificação de texto: bag-of-words, n-grams, engenharia de features; classificadores generativos e discriminativos.
- Representações vectoriais de palavras: semântica lexical, embeddings de palavras.
- Modelos sequenciais: hidden Markov models, conditional random fields; marcação de classe gramatical e reconhecimento de entidades mencionadas.
- Redes neuronais em processamento de linguagem natural: modelos neuronais de linguagem, redes neuronais recorrentes, redes encoder-decoder, attention, redes transformer.
- Grandes modelos de linguagem.
- Investigação atual em processamento de linguagem natural.
Bibliografia Obrigatória
Jurafsky, D. & Martin, J.H.; Speech and Language Processing: An Introduction to Natural Language Processing, 2024 (https://web.stanford.edu/~jurafsky/slp3/)
Bibliografia Complementar
Lewis Tunstall, Leandro von Werra, Thomas Wolf; Natural Language Processing with Transformers: Building Language Applications With Hugging Face, O'Reilly Media, 2022. ISBN: 1098136799 (https://transformersbook.com/)
Goldberg, Y.; Neural Network Methods for Natural Language Processing, Morgan & Claypool Publishers., 2017
Eisenstein, J.; Introduction to Natural Language Processing., MIT Press., 2019
Métodos de ensino e atividades de aprendizagem
Os tópicos do curso serão abordados com aplicações motivadoras e com exemplos de código-fonte, quando aplicável. O objetivo é apresentar as ferramentas que serão utilizadas nos trabalhos práticos o mais cedo possível. Ao mesmo tempo, serão fornecidas sugestões para literatura relacionada, como oportunidades de leitura adicional.
Palavras Chave
Ciências Físicas > Ciência de computadores > Cibernética > Inteligência artificial
Tipo de avaliação
Avaliação distribuída com exame final
Componentes de Avaliação
Designação |
Peso (%) |
Exame |
40,00 |
Trabalho prático ou de projeto |
60,00 |
Total: |
100,00 |
Componentes de Ocupação
Designação |
Tempo (Horas) |
Elaboração de projeto |
70,00 |
Estudo autónomo |
50,00 |
Frequência das aulas |
42,00 |
Total: |
162,00 |
Obtenção de frequência
Nota mínima de 50% em cada uma das componentes de avaliação.
Fórmula de cálculo da classificação final
A avaliação será composta por:
- 2 trabalhos práticos (2x6/20)
- 1 exame final (8/20)
Para obter aprovação, a nota mínima no exame final é de 35%.
Provas e trabalhos especiais
A avaliação em épocas especiais consiste na elaboração de um Trabalho prático e de um Exame escrito, valendo cada uma destas componentes 50% da nota final. A aprovação na Unidade Curricular pressupõe a obtenção de uma classificação mínima de 50% no trabalho e de uma classificação mínima de 35% no exame escrito.
Avaliação especial (TE, DA, ...)
Todos os componentes de avaliação são exigidos a todos os alunos, independentemente do regime de inscrição e da necessidade de obter avaliação de frequência. Os alunos inscritos ao abrigo de regimes especiais sem frequência de aulas devem acordar com os docentes sessões de acompanhamento e avaliação prática.
Melhoria de classificação
A melhoria da componente distribuída da avaliação só pode ser realizada na edição seguinte da Unidade Curricular.