Universität Wien
Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

136040 VU Practical Machine Learning for Natural Language Processing (2024S)

10.00 ECTS (4.00 SWS), SPL 13 - Europäische und Vergleichende Sprach- und Literaturwissenschaft
Prüfungsimmanente Lehrveranstaltung
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 25 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Dienstag 05.03. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 07.03. 11:30 - 13:00 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 14.03. 11:30 - 13:00 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 19.03. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 21.03. 11:30 - 13:00 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 09.04. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 11.04. 11:30 - 13:00 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 16.04. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 18.04. 11:30 - 13:00 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 23.04. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 25.04. 11:30 - 13:00 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 30.04. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 02.05. 11:30 - 13:00 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 07.05. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 14.05. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 16.05. 11:30 - 13:00 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 21.05. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 23.05. 11:30 - 13:00 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 28.05. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 04.06. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 06.06. 11:30 - 13:00 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 11.06. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 13.06. 11:30 - 13:00 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 18.06. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 20.06. 11:30 - 13:00 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Dienstag 25.06. 09:45 - 11:15 Seminarraum 6 Hauptgebäude, Tiefparterre Stiege 9 Hof 5
  • Donnerstag 27.06. 11:30 - 13:00 Hörsaal 2 Hauptgebäude, Tiefparterre Stiege 5 Hof 3

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

In dieser Vorlesung werden grundlegende Algorithmen des maschinellen Lernens in Python implementiert und auf Probleme der Verarbeitung natürlicher Sprache angewendet. Der Fokus liegt dabei auf Vektor-Repräsentationen von Texten, und die Methoden reichen von der Textklassifizierung mit dem Perzeptron-Algorithmus, über Wortvektoren bis hin zu einfachen neuronalen Netzwerken.
Es werden Grundkenntnisse in Python oder die Bereitschaft, sich diese schnell anzueignen, vorausgesetzt (die grundlegenden Kontroll- und Datenstrukturen, wie z.B. Klassendefinitionen oder Dictionaries). Die Sprache der Vorlesung ist Englisch.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Während des Semesters müssen die Teilnehmenden Programmierübungen und Moodle-Aufgaben abgeben. Am Ende des Semesters findet eine schriftliche Abschlussprüfung statt.

Mindestanforderungen und Beurteilungsmaßstab

Es wird ein gewichteter Durchschnitt der erreichbaren Punkte aus Programmierübungen (Gewicht: 20%), Moodle-Aufgaben (Gewicht: 20%) und schriftlicher Abschlussprüfung (Gewicht: 60%) gebildet. Der Kurs ist bei 50% oder mehr des maximal erreichbaren Punktedurchschnitts bestanden.

Prüfungsstoff

Kenntnisse über die in der Vorlesung behandelten Algorithmen und Machine-learning Verfahren, sowie deren in der Übung behandelten Anwendung und Implementierung.

Literatur

“Marc Pilgrim: Dive into Python”
https://diveintopython3.problemsolving.io/

“Hal Daume: A course in machine learning”
Kapitel 4,5,7,10
http://ciml.info/

“Goldberg & Levy: word2vec Explained: deriving Mikolov et al.'s negative-sampling word-embedding method”
https://arxiv.org/abs/1402.3722

“Christopher Olah’s blog”
http://colah.github.io/

“Goodfellow et al.: Deep Learning”
(advanced)
https://www.deeplearningbook.org/

Zuordnung im Vorlesungsverzeichnis

S-DH Cluster I: Language and Literature

Letzte Änderung: Mi 03.07.2024 15:05