Введение в прикладную лингвистику

2023/2024

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Маго-лего

Кто читает: Департамент филологии

Когда читается: 3, 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Колмогорова Анастасия Владимировна

Язык: русский

Кредиты: 6

Контактные часы: 44

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс предусматривает знакомство студентов с основными методами обработки данных на естественном языке методами компьютерной и корпусной лингвистики. В результате освоения курса обучающиеся овладевают актуальным программным инструментарием и эвристиками решения задач, связанных с анализом текстов и аудио.

Цель освоения дисциплины

Сформировать у обучающихся практические умения и навыки обработки массивов данных на естественном языке с помощью инструментов компьютерной лингвистики.

Планируемые результаты обучения

Студент создает пуассоновскую регрессию, позволяющую предсказывать результаты показателя X на основе имеющихся данных показателя Y.
Студент применяет PCA CA, MCA, MDS, t-SNE для анализа различных датасетов и уменьшения размерности данных.
Студент применяет методы визуализации сетевых данных c помощью пакетов, ggiraph
Студент применяет трансформации данных: tidyverse, dplyr; освоит работу со строками и текстами: tidytext, udpipe; сможет осуществлять сбор данных из интернета: rvest. OCR.
Студент производит вычисления, применяя знания по описательной и симуляционной статистике, z-преобразованию, используя пакет анализа RLing
Студент анализирует данные путём применения инструментов, время, карты, OCR.
Студент освоит работу с базовыми объектами языка R, функциями, пакетами, а также научится создавать собственные функции и циклы.
Студент применяет методы визуализации сетевых данных c помощью пакетов ggplot и ggplot2
Студент решает задачи по программированию, демонстрируя умение анализировать строки тексты и весь текст с помощью пакета ling
Студент способен создавать метрики расстояний, k-means, иерархические кластеризации, визуализации деревьев.

Содержание учебной дисциплины

Основы R
Трансформация данных
Визуализация и представление данных
Работа со строками и текстом
Необычные источники данных: время, карты, OCR
Основы статистики
Регрессионный анализ
Кластеризация
Методы уменьшения размерности кластеров
Сетевой анализ

Элементы контроля

Самостоятельная работа
В течение курса студенты выполняют 7 домашних работ, которые обсуждаются на занятии, после обсуждения могут быть доработаны и представлены для оценивания. В домашней работе студенту предлагается решить локальную исследовательскую задачу, использовав обсуждавшиеся в лекции методы и инструментарий.
Экзамен
Экзамен проводится в устной форме: студент отвечает на один из проблематизирующих вопросов из заранее предоставленного для подготовки списка.

Промежуточная аттестация

2023/2024 учебный год 4 модуль
0.35 * Самостоятельная работа + 0.3 * Экзамен

Список литературы

Авторы

Кессель Ксения Витальевна

Программа дисциплины