Kursplan för Maskininlärning inom språkteknologi

Machine Learning in Natural Language Processing

Det finns en senare version av kursplanen.

  • 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: 2016-07-04
  • Reviderad av: Institutionsstyrelsen
  • Gäller från: vecka 27, 2016
  • Behörighet: Kandidatexamen samt (1) 60 hp språkteknologi/datorlingvistik, eller (2) 60 hp datavetenskap, eller (3) 60 hp i något språkvetenskapligt ämne, 15 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

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

Examination

Kunskapskontroll sker genom laborationsuppgifter som redovisas i klassrummet, samt tre större inlämningsuppgifter.

Litteratur

Uppgift om kurslitteratur saknas. Ta kontakt med ansvarig institution för mer information.