Maskininlärning inom språkteknologi

7,5 hp

Kursplan, Avancerad nivå, 5LN708

Det finns en senare version av kursplanen.
Kod
5LN708
Utbildningsnivå
Avancerad nivå
Huvudområde(n) med fördjupning
Språkteknologi A1F
Betygsskala
Underkänd (U), godkänd (G), väl godkänd (VG)
Fastställd av
Institutionsstyrelsen, 17 april 2020
Ansvarig institution
Institutionen för lingvistik och filologi

Allmänt

Kursen ges inom masterprogrammet i språkteknologi och som fristående kurs.

Behörighetskrav

Kandidatexamen samt (1) 60 hp språkteknologi/datorlingvistik, eller (2) 60 hp datavetenskap, eller (3) 60 hp i något språkvetenskapligt ämne, 7,5 hp programmering och 7,5 hp logik/diskret matematik. Kunskaper i engelska motsvarande vad som krävs för grundläggande behörighet till utbildning på grundnivå.

Mål

Efter avslutad kurs skall studenten för att förtjäna betyget Godkänd minst kunna

  • tillämpa grundläggande maskininlärningsprinciper på språkliga data;
  • tillämpa sannolikhetsteori och principer för statistisk inferens på språkliga data;
  • använda standardmjukvaror för maskininlärning;
  • implementera linjära modeller för klassifikation;
  • konstruera enkla neurala nätverk för språkliga data med hjälp av standardbibliotek.

i samtliga fall med en viss grad av självständighet och med uppvisad förmåga att klart formulera och kritiskt diskutera metodologiska antaganden, att tillämpa de bästa tillgängliga metoderna för utvärdering, och att presentera resultaten på ett professionellt adekvat sätt.

Innehåll

Se målen.

Undervisning

Undervisningen sker i form av lektioner och laborationer under handledning.

Examination

Kunskapskontroll sker genom laborationsuppgifter, vilkas lösningar redovisas av studenten, samt fyra större inlämningsuppgifter.

Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare.

FÖLJ UPPSALA UNIVERSITET PÅ

facebook
instagram
twitter
youtube
linkedin