Kursplan för Maskininlärning inom språkteknologi
Machine Learning in Natural Language Processing
- 7,5 högskolepoäng
- Kurskod: 5LN708
- Utbildningsnivå: Avancerad nivå
-
Huvudområde(n) och successiv fördjupning:
Språkteknologi A1F
Förklaring av koder
Koden visar kursens utbildningsnivå och fördjupning i förhållande till andra kurser inom huvudområdet och examensfordringarna för generella examina:
Grundnivå
G1N: har endast gymnasiala förkunskapskrav
G1F: har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav
G1E: innehåller särskilt utformat examensarbete för högskoleexamen
G2F: har minst 60 hp kurs/er på grundnivå som förkunskapskrav
G2E: har minst 60 hp kurs/er på grundnivå som förkunskapskrav, innehåller examensarbete för kandidatexamen
GXX: kursens fördjupning kan inte klassificeras.Avancerad nivå
A1N: har endast kurs/er på grundnivå som förkunskapskrav
A1F: har kurs/er på avancerad nivå som förkunskapskrav
A1E: innehåller examensarbete för magisterexamen
A2E: innehåller examensarbete för masterexamen
AXX: kursens fördjupning kan inte klassificeras. - Betygsskala: Underkänd (U), godkänd (G), väl godkänd (VG)
- Inrättad: 2011-11-25
- Inrättad av: Institutionsstyrelsen
- Reviderad: 2020-04-17
- Reviderad av: Institutionsstyrelsen
- Gäller från: vecka 27, 2020
- Behörighet: 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 svensk högskoleutbildning på grundnivå.
- Ansvarig institution: Institutionen för lingvistik och filologi
Beslut och riktlinjer
Kursen ges inom masterprogrammet i språkteknologi och som fristående kurs.
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.
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.
Versioner av kursplanen
- Senaste kursplan (giltig från vecka 27, 2020)
- Äldre kursplan (giltig från vecka 01, 2020)
- Äldre kursplan (giltig från vecka 36, 2019)
- Äldre kursplan (giltig från vecka 20, 2019)
- Äldre kursplan (giltig från vecka 01, 2018)
- Äldre kursplan (giltig från vecka 27, 2016)
- Äldre kursplan (giltig från vecka 36, 2014)
- Äldre kursplan (giltig från vecka 35, 2013)
- Äldre kursplan (giltig från vecka 35, 2011)
Litteratur
Uppgift om kurslitteratur saknas. Ta kontakt med ansvarig institution för mer information.