|
Ver Bibliografía Recomendada de la asignatura |
|
|
Ver Enlaces de Interés de la asignatura |
|
|
Sesión 9 |
Transparencias |
Transparencias de la Sesión 1 del módulo 2. Paradigmas de Machine Learning para diferentes problemas de ambigüead -POS tagging -Shallow Parsing -NER -WSD -Uso del NLTK |
|
Ejercicio 4 |
|
|
Ejercicio 5 |
|
|
Ejercicio 6 |
|
|
Ejercico 7 |
Algoritmo de Lesk para WSD
|
|
Ejercicio 8 |
|
|
Sesión 10 |
Métricas y métodos de evaluación |
Diapositivas de la sesión. |
|
Código con métricas automáticas |
|
|
Sesión 11 |
Competiciones y Campañas de Evaluación |
|
|
Sesión 12 |
S12 Preparación de Datos |
|
|
S12 Representación de Textos para Aprendizaje Automático (Intro) |
|
|
Sesión 13 |
Sistemas PLN |
Métodos estadísticos, basados en reglas (no ML, LLM)
Material para la clase |
|
Sesión 14 |
S14 Aprendizaje No Supervisado. Algoritmos de Agrupamiento |
|
|
Sesión 15 |
S15 Aprendizaje Automático. Selección de Instancias. |
|
|
S15 Aprendizaje Automático. Datos Desbalanceados. |
|
|
S15 Aprendizaje Automático. Ingeniería de Características |
|
|
S15 Aprendizaje Automático. Combinación de Clasificadores |
|
|
Sesión 16 |
Caso de uso - Análisis de Sentimientos |
|
|
Recursos para ejercicio con Weka(EjemploTextoDeClase)) |
|
|
Recursos para ejercicio con Weka (EjemploNoTexto) |
|
|
Recursos para ejercicio con Weka(TextoAS_Dataset)) |
|
|
Datsets BBC Reviews-Para el desarrollo de la tarea |
|
|
BBC train como texto |
|
|
BBC test como texto |
|