Consulta de Guies Docents



Curs Acadèmic: 2022/23

8025 - Màster Universitari en Sistemes Intel·ligents Interactius

31642 - Interacció en Llenguatge Natural


Informació de la Guia Docent

Curs acadèmic:
2022/23
Centre acadèmic:
802 - Centre Màsters del Departament d'Enginyeria
Estudi:
8025 - Màster Universitari en Sistemes Intel·ligents Interactius
Assignatura:
31642 - Interacció en Llenguatge Natural
Àmbit:
---
Crèdits:
5.0
Curs:
1
Idiomes de docència:
Teoria: Grup 1: Anglès
Professorat:
Leo Wanner , Aleksandr Shvets
Periode d'Impartició:
Segon trimestre
Horari:

Presentació

El curs tracta els temes centrals implicats en la interacció amb agents intel·ligents mitjançant l'ús del llenguatge natural, amb èmfasi en el diàleg i la generació del llenguatge. També estudiarem les tècniques de planificació aplicades a la teoria dels actes de parla i l'ús d'estructures retòriques, tant per a diàlegs controlats com per a diàlegs dinàmics i no cooperatius. Pel que fa a l'anàlisi i la generació del llenguatge, l'alumnat aprendrà tècniques robustes i incrementals capaços de tractar el discurs parcial, i fins i tot agramatical, com és propi dels diàlegs espontanis. També analitzarem el disseny d'arquitectures de diàleg, i analitzarem l'ús del diàleg en "chatbots" i videojocs. El curs també cobreix la interacció parlada, incloent aspectes sobre el reconeixement automàtic de la parla, el reconeixement automàtic dels parlants i la síntesi de text a veu.

Competències associades

El curs contribueix a les habilitats i coneixements bàsics i avançats adquirits durant els estudis de màster sobre Sistemes Interactius Intel·ligents:

  • Capacitat per recollir i interpretar dades rellevants en l'àrea de la Informàtica i la Intel·ligència Artificial en general i de la Interacció home-ordinador basada en el llenguatge natural, en particular, per tal de poder avaluar i comentar temes rellevants des dels punts científics, ètics i socials.
  • La capacitat de comunicar informació, idees, problemes i solucions en l'àrea de la interacció basada en el llenguatge natural tant al públic en general com als investigadors en NLP.
  • Capacitat d'aplicar les habilitats adquirides per construir prototips d'agents conversacionals operatius.

A més, el curs contribueix a les competències relacionades amb

  • Resoldre els problemes matemàtics que es poden plantejar en l'àmbit de l'enginyeria i aplicar els coneixements sobre: àlgebra lineal; càlcul diferencial i integral; mètodes numèrics, algorismes numèrics, estadístiques i optimització.
  • Dominar els conceptes de programació de dades i programació i estructures de dades, inclosos els principis de disseny segur i programació defensiva, verificació de programes i detecció d'errors.
  • Reconèixer procediments algorísmics bàsics i aplicar-los per a la resolució de problemes computacionals, analitzant la idoneïtat i complexitat de la solució.
  • Resoldre problemes computacionals complexos utilitzant els principis i tècniques de sistemes intel·ligents.

Resultats de l'aprenentatge

S'espera que els estudiants adquireixin coneixements sobre tècniques de PNL d'última generació i adquireixin les habilitats tant per integrar mòduls disponibles al públic en aplicacions com per desenvolupar aplicacions senzilles que utilitzen l'estat de la tecnologia. -Tècniques artístiques. En particular:

  • Utilitzar els coneixements estadístics per resoldre problemes que es poden plantejar en l'enginyeria.
  • Dissenyar i utilitzar estructures de dades avançades i els algorismes més adequats per resoldre un problema.
  • Aplicació de tècniques bàsiques d'intel·ligència artificial.
  • Resoldre problemes complexos mitjançant tècniques d'aprenentatge automàtic.
  • Aplicació de tècniques avançades de càlcul intel·ligent per al disseny i desenvolupament d'aplicacions intel·ligents.

Objectius de Desenvolupament Sostenible

Les aplicacions de processament del llenguatge natural relacionades amb la interacció home-màquina contribueixen a l'assoliment de la majoria dels 17 Objectius de Desenvolupament Sostenible de les Nacions Unides (incloent-hi, per exemple, l'Objectiu 1: Sense pobresa, l'Objectiu 3: Assegurar una vida sana i promoure el benestar per a totes les edats). , Objectiu 4 – Educació de qualitat, etc.).

Prerequisits

Per poder seguir el curs, els estudiants han de tenir una mentalitat formal, algunes habilitats de programació i alguns coneixements bàsics en aprenentatge automàtic.

Continguts

  • Introducció: Història de la interacció home-ordinador, enunciats de problemes, aplicacions típiques.
  • Models de diàleg, tipus bàsics de diàlegs (anàlisi conversacional, principis i característiques dels diàlegs cooperatius i no cooperatius), pragmàtica.
  • Estratègies de diàleg (tipus d'estratègies de diàleg, relació amb la teoria de jocs); Estratègies de diàleg impulsades per l'acte de parla i l'estructura del discurs.
  • Modelització d'usuaris en sistemes de diàleg.
  • Llengües de diàleg.
  • Tècniques d'aprenentatge automàtic en sistemes de diàleg.
  • Antecedents lingüístics per a l'anàlisi (anàlisi) i la generació del llenguatge natural.
  • Anàlisi 1: Tècniques bàsiques d'anàlisi sintàctica
  • Anàlisi 2: anàlisi semàntica robusta
  • Generació 1: Tècniques de generació estocàstica
  • Generació 2: generació incremental del llenguatge
  • Disseny de sistemes de diàleg
  • Aplicacions 1: Cas pràctic de diàlegs en chatbots seleccionats
  • Aplicacions 2: Estudi de cas de diàlegs en videojocs de rol seleccionats.

Metodologia docent

Els fonaments teòrics i l'aplicació del material de l'assignatura s'imparteixen en classes magistrals. Les habilitats pràctiques per construir aplicacions d'interacció amb el llenguatge natural s'adquireixen en un projecte que porten a terme grups reduïts de 3 a 4 alumnes al llarg de tot el curs.

Avaluació

  • Projecte a desenvolupar a casa: s'ha de presentar i demostrar davant la classe al final del curs: 60%
  • Examen (oral o escrit): 40%

Bibliografia i recursos d'informació

  • Lyon, Richard F. "Human and machine hearing: extracting meaning from sound". Cambridge, United Kingdom : Cambridge University Press, 2017.
  • Goldberg, Yoav. "Neural Network Methods in Natural Language Processing". Morgan & Claypool Publishers, 2017.


Academic Year: 2022/23

8025 - Master in Intelligent Interactive Systems

31642 - Natural Language Interaction


Teaching Guide Information

Academic Course:
2022/23
Academic Center:
802 - Masters Centre of the Engineering Department
Study:
8025 - Master in Intelligent Interactive Systems
Subject:
31642 - Natural Language Interaction
Ambit:
---
Credits:
5.0
Course:
1
Teaching languages:
Theory: Group 1: English
Teachers:
Leo Wanner , Aleksandr Shvets
Teaching Period:
Second quarter
Schedule:

Presentation

The course covers the central themes involved in the interaction with intelligent agents through the use of natural language, with emphasis on dialogue and language generation. We will also study planning techniques applied to the theory of speech acts and the use of rhetorical structures, both for controlled dialogues as for dynamic and non-cooperative dialogues. Regarding analysis and generation of language, students will learn robust and incremental techniques capable of dealing with partial, and even ungrammatical discourse, as it's typical of spontaneous dialogues. We will also look at the design of dialogue architectures, and analyze the use of dialogue in "chatbots" and videogames. The course also covers spoken interaction including aspects on automatic speech recognition, automatic speaker recognition, and text-to-speech synthesis.

Associated skills

The course contributes to the basic and advanced skills and expertise acquired during the master studies on Intelligent Interactive Systems:

  • The capacity to collect and interpret relevant data in the area of Computer Science and Artificial Intelligence in general and Natural Language-based Human-Computer Interaction in particular in order to be able to assess and comment on relevant topics from the scientific, ethical and social points of view.
  • The capacity to communicate information, ideas, problems and solutions in the area of Natural Language-based Interaction to general public and NLP scholars alike. 
  • The capacity to apply the acquired skills in order to build operational conversational agent prototypes.

Furthermore, the course contributes to transversal skills related to

CE1. Solving the mathematical problems which can be set out in the arise in engineering and apply the knowledge on: linear algebra; differential and integral calculus; numerical methods, numerical algorithms, statistics, and optimization.

CE8. Mastering the concepts of data programming and programming and data structures, including principles of secure design and defensive programming, program verification and error detection.

CE10. Recognizing basic algorithmic procedures and applying them for the resolution of computational problems, analyzing the solution’s suitability and complexity.

CE11. Solving complex computational problems using the principles and techniques of intelligent systems.

Learning outcomes

It is expected that the students will obtain knowledge about state-of-the-art NLP techniques and acquire the skills to both integrate publicly available off-the-shelf modules into applications and develop on their own simple applications that use state-of-the-art techniques. In particular:

Using knowledge of statistics to solve problems which can be set out in the in engineering.

Designing and using advanced data structures and the most proper suitable algorithms for solving a problem.

Applying basic techniques of artificial intelligence.

Solving complex problems using machine learning techniques.

Applying advanced intelligent computation techniques for the design and development of intelligent applications.

Sustainable Development Goals

Natural Language Processing applications related to human-machine interaction contribute to the achievement of most of the 17 UN Sustainable Development Goals (including, e.g., Goal 1 – No Poverty, Goal 3 – Ensure Healthy Lives and Promote Well-Being for All at all Ages, Goal 4 – Quality Education, etc.).

Prerequisites

In order to be able to follow the course, the students should have have a formal mindset, some programming skills, and some background knowledge in machine learning.

Contents

  • Introduction: History of human-computer interaction, problem statements, typical applications.
  • Dialogue models, basic types of dialogues (conversational analysis, principles and characteristics of cooperative and non-cooperative dialogues), pragmatics.
  • Dialogue strategies (types of dialogue strategies, relation to the game theory); speech act and discourse structure driven dialogue strategies.
  • User modeling in dialogue systems.
  • Dialogue languages.
  • Machine learning techniques in dialogue systems.
  • Linguistic background for natural language parsing (analysis) and generation.
  • Parsing 1: Basic syntactic parsing techniques
  • Parsing 2: Robust semantic parsing
  • Generation 1: Stochastic generation techniques
  • Generation 2: Incremental language generation
  • Design of dialogue systems
  • Applications 1: Case study of dialogues in selected chatbots
  • Applications 2: Case study of dialogues in selected role-oriented video games.

Teaching Methods

The theoretical foundations and the application of the material of the course are being taught in class in terms of lectures. The practical skills for building Natural Language Interaction applications are acquired in a home project that small groups of 3 to 4 students carry out over the entire course.

Evaluation

  • Home Project, which is to be presented and demonstrated in front of the class at the end of the course: 60%
  • Exam (either written or oral): 40%

Bibliography and information resources

Lyon, Richard F. "Human and machine hearing: extracting meaning from sound". Cambridge, United Kingdom : Cambridge University Press, 2017.

Goldberg, Yoav. "Neural Network Methods in Natural Language Processing". Morgan & Claypool Publishers, 2017.


Curso Académico: 2022/23

8025 - Máster Universitario en Sistemas Inteligentes Interactivos

31642 - Interacción en Lenguaje Natural


Información de la Guía Docente

Curso Académico:
2022/23
Centro académico:
802 - Centro Másteres del Departamento de Ingeniería
Estudio:
8025 - Máster Universitario en Sistemas Inteligentes Interactivos
Asignatura:
31642 - Interacción en Lenguaje Natural
Ámbito:
---
Créditos:
5.0
Curso:
1
Idiomas de docencia:
Teoría: Grupo 1: Inglés
Profesorado:
Leo Wanner , Aleksandr Shvets
Periodo de Impartición:
Segundo trimestre
Horario:

Presentación

El curso cubre los temas centrales involucrados en la interacción con agentes inteligentes a través del uso del lenguaje natural, con énfasis en el diálogo y la generación del lenguaje. También estudiaremos técnicas de planificación aplicadas a la teoría de los actos de habla y el uso de estructuras retóricas, tanto para diálogos controlados como para diálogos dinámicos y no cooperativos. En cuanto al análisis y generación de lenguaje, los alumnos aprenderán técnicas robustas e incrementales capaces de tratar discursos parciales e incluso agramaticales, como es propio de los diálogos espontáneos. También veremos el diseño de arquitecturas de diálogo y analizaremos el uso del diálogo en "chatbots" y videojuegos. El curso también cubre la interacción hablada, incluidos aspectos sobre el reconocimiento automático del habla, el reconocimiento automático del hablante y la síntesis de texto a voz.

Competencias asociadas

El curso contribuye a las habilidades y conocimientos básicos y avanzados adquiridos durante los estudios de maestría en Sistemas Interactivos Inteligentes:

  • La capacidad de recopilar e interpretar datos relevantes en el área de las Ciencias de la Computación y la Inteligencia Artificial en general y la Interacción Humano-Computadora basada en el Lenguaje Natural en particular para poder evaluar y comentar sobre temas relevantes desde el punto de vista científico, ético y social.
  • La capacidad de comunicar información, ideas, problemas y soluciones en el área de la interacción basada en el lenguaje natural al público en general y a los estudiosos de la PNL por igual.
  • La capacidad de aplicar las habilidades adquiridas para construir prototipos de agentes conversacionales operativos.

Además, el curso contribuye a las habilidades transversales relacionadas con

CE1. Resolver los problemas matemáticos que se puedan plantear en el planteo de la ingeniería y aplicar los conocimientos sobre: álgebra lineal; cálculo diferencial e integral; métodos numéricos, algoritmos numéricos, estadística y optimización.

CE8. Dominar los conceptos de programación y programación de datos y estructuras de datos, incluidos los principios de diseño seguro y programación defensiva, verificación de programas y detección de errores.

CE10. Reconocer procedimientos algorítmicos básicos y aplicarlos para la resolución de problemas computacionales, analizando la idoneidad y complejidad de la solución.

CE11. Resolver problemas computacionales complejos utilizando los principios y técnicas de los sistemas inteligentes.

Resultados del aprendizaje

Se espera que los estudiantes adquieran conocimientos sobre técnicas de NLPde última generación y adquieran las habilidades necesarias para integrar módulos comerciales disponibles públicamente en aplicaciones y desarrollar por sí mismos aplicaciones sencillas que utilicen las últimas tecnologías. -Técnicas artísticas. En particular:

Utilizar los conocimientos de estadística para la resolución de problemas planteables en la ingeniería.

Diseñar y utilizar estructuras de datos avanzadas y los algoritmos más adecuados para la resolución de un problema.

Aplicar técnicas básicas de inteligencia artificial.

Resolución de problemas complejos utilizando técnicas de aprendizaje automático.

Aplicar técnicas avanzadas de computación inteligente para el diseño y desarrollo de aplicaciones inteligentes.

Objetivos de Desarrollo Sostenible

Las aplicaciones de procesamiento de lenguaje natural relacionadas con la interacción hombre-máquina contribuyen al logro de la mayoría de los 17 Objetivos de Desarrollo Sostenible de la ONU (incluidos, por ejemplo, el Objetivo 1: Fin de la pobreza, el Objetivo 3: Garantizar una vida sana y promover el bienestar para todos en todas las edades , Meta 4 – Educación de calidad, etc.).

Prerrequisitos

Para poder seguir el curso, los estudiantes deben tener una mentalidad formal, algunas habilidades de programación y algunos conocimientos previos en aprendizaje automático.

Contenidos

  • Introducción: Historia de la interacción humano-computadora, enunciados de problemas, aplicaciones típicas.
  • Modelos de diálogo, tipos básicos de diálogos (análisis conversacional, principios y características de los diálogos cooperativos y no cooperativos), pragmática.
  • Estrategias de diálogo (tipos de estrategias de diálogo, relación con la teoría de juegos); Estrategias de diálogo impulsadas por actos de habla y estructuras discursivas.
  • Modelado de usuarios en sistemas de diálogo.
  • Lenguajes de diálogo.
  • Técnicas de aprendizaje automático en sistemas de diálogo.
  • Antecedentes lingüísticos para el análisis (análisis) y la generación del lenguaje natural.
  • Análisis 1: técnicas básicas de análisis sintáctico
  • Análisis 2: Análisis semántico robusto
  • Generación 1: Técnicas de generación estocástica
  • Generación 2: Generación de lenguaje incremental
  • Diseño de sistemas de diálogo
  • Aplicaciones 1: Estudio de caso de diálogos en chatbots seleccionados
  • Aplicaciones 2: Estudio de caso de diálogos en videojuegos orientados a roles seleccionados.

Metodología docente

Los fundamentos teóricos y la aplicación del material del curso se imparten en clases magistrales. Las habilidades prácticas para la construcción de aplicaciones de interacción de lenguaje natural se adquieren en un proyecto en casa que pequeños grupos de 3 a 4 estudiantes llevan a cabo durante todo el curso.

Evaluación

  • Home Project, que se presentará y demostrará frente a la clase al final del curso: 60%
  • Examen (ya sea escrito u oral): 40%

Bibliografía y recursos de información

  • Lyon, Richard F. "Human and machine hearing: extracting meaning from sound". Cambridge, United Kingdom : Cambridge University Press, 2017.
  • Goldberg, Yoav. "Neural Network Methods in Natural Language Processing". Morgan & Claypool Publishers, 2017.