Universität Wien

136040 VU Practical Machine Learning for Natural Language Processing (2022S)

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

Thursday 03.03.2022 11:30 -13:00 ONLINE (See Moodle link)
Tuesday 08.03.2022 09:45 -11:15 ONLINE (See Moodle link)
Thursday 10.03.2022 11:30 -13:00 ONLINE (See Moodle link)
Tuesday 15.03.2022 09:45 -11:15 ONLINE (See Moodle link)
Thursday 17.03.2022 11:30 -13:00 ONLINE (See Moodle link)

  • Dienstag 01.03. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 03.03. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Dienstag 08.03. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 10.03. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Dienstag 15.03. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 17.03. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Dienstag 22.03. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 24.03. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Dienstag 29.03. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 31.03. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Dienstag 05.04. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 07.04. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Dienstag 26.04. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 28.04. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Dienstag 03.05. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 05.05. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Dienstag 10.05. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 12.05. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Dienstag 17.05. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 19.05. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Dienstag 24.05. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Dienstag 31.05. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 02.06. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Donnerstag 09.06. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Dienstag 14.06. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Dienstag 21.06. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 23.06. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02
  • Dienstag 28.06. 09:45 - 11:15 Hörsaal 31 Hauptgebäude, 1.Stock, Stiege 9
  • Donnerstag 30.06. 11:30 - 13:00 Seminarraum 17, Kolingasse 14-16, OG02

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 Deutsch bzw. Englisch (je nach Dozent*in).

Art der Leistungskontrolle und erlaubte Hilfsmittel

Wird noch im Hinblick auf die Pandemie-Situation fesgelegt, z.B. regelmäßige Aufgaben während des Semesters und virtuelle mündliche Prüfung am Ende.

Mindestanforderungen und Beurteilungsmaßstab

Regelmäßige Bearbeitung von Aufgaben während des Semesters, und Erreichen einer Mindespunktezahl in einer Prüfung.

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/

“Keras Developer Guides”
https://keras.io/guides/

Zuordnung im Vorlesungsverzeichnis

S-DH (Cluster I: Language and Literature)

Letzte Änderung: Do 04.07.2024 00:13