t.BA.DS.NLP.20HS (Einführung in Natural Language Processing) 
Modul: Einführung in Natural Language Processing
Diese Information wurde generiert am: 25.05.2024
Nr.
t.BA.DS.NLP.20HS
Bezeichnung
Einführung in Natural Language Processing
Veranstalter
T CAI
Credits
4

Beschreibung

Version: 2.0 gültig ab 01.02.2023
 

Kurzbeschrieb

In diesem Modul werden die grundlegenden Methoden und Technologien von Natural Language Processing (NLP) eingeführt. Dabei werden typische Aufgabenstellungen und Lösungsansätze anhand von praxisorientierten Projekten vorgestellt und umgesetzt.
Zeichen. Text wird im Internet in Modulbox angezeigt)

Modulverantwortung

Cieliebak Mark (ciel)

Lernziele (Kompetenzen)

Ziel Kompetenzen Taxonomiestufen
Die Studierenden kennen typische Aufgabenstellungen im Bereich NLP. F L2
Die Studierenden können existierende technische Lösungen für eine Problemstellung in ihre Problemlösung integrieren.  F. M K3
Die Studierenden können computergestützte Experimente auf textuellen Daten planen und strukturiert dokumentieren. M K3
Die Studierenden können ihre Ergebnisse in Form eines wissenschaftlichen Berichts dokumentieren.  M K3
Die Studierenden arbeiten in einem Team aktiv und zielführend zusammen und übernehmen dabei Verantwortung für die Erarbeitung des gemeinsamen Projekts. M, SO, SE K3
Die Studierenden können ein grösseres und komplexes NLP-Projekt von der Vision bis zur Lösung realisieren.             F, M K5

Modulinhalte

Methoden und Technologien im Bereich NLP werden anhand von drei praxisorientierten Aufgabenstellungen vermittelt, die typische Themen wie Clustering, Text-Klassifikation und Text-Generierung (z.B. Abstractive Summarization) abdecken.
Für jede Aufgabenstellung werden die relevanten Lösungsansätze präsentiert. Diese umfassen u.a. folgende Themen:
  • Preprocessing der Daten: Tokenization, Stemming etc.
  • Repräsentation der Daten: Vector-Space Modelle, TF-IDF, Pretrained Language Models/Embeddings etc.
  • Machine Learning-Modelle und Algorithmen: SVM, Neuronale Netze etc.
  • Evaluationsmethoden: Precision/Recall, F-Score, ROUGE etc.
  • Etablierte Tools und Frameworks: z.B. nltk, Pytorch, huggingface etc.
  • Experimentelles Setup und Dokumentation der Ergebnisse
Für jede Aufgabenstellung entwickeln die Studierenden einzeln oder in Kleingruppen bis zu 3 Personen eine Lösung. Die Dokumentation der Lösung wird anschliessend bewertet.
 

Lehrmittel/Materialien

Abgabe der für die Durchführung notwendigen Informationen im Unterricht.
 

Ergänzende Literatur

-

Zulassungs-voraussetzungen 

-

Unterrichtssprache

(X) Deutsch ( ) Englisch

Teil des Internationalen Profils

( ) Ja (X) Nein

Modulausprägung

Typ 2a
  Details siehe unter: T_RL_Richtlinie_Modulauspraegungen_Stundengutschriften

Leistungsnachweise

Bezeichnung Art Form Umfang Bewertung Gewichtung
Leistungsnachweise während Studiensemester Kurz-Bericht oder Poster schriftlich ca. 1 Seite Note 20%
Leistungsnachweise während Studiensemester Kurzbericht schriftlich ca. 2-4 Seiten Note 20%
Semesterendprüfung Wissenschaftliches Paper schriftlich ca 4-8 Seiten Note 60%

Bemerkungen

Auch bei Gruppenarbeiten kann die Individualleistung auf die einzelnen Noten Einfluss haben, d.h. es müssen nicht immer alle Gruppenmitglieder die gleiche Note erhalten.
 

Rechtsgrundlage

Die Modulbeschreibung ist neben Rahmenprüfungsordnung und Studienordnung Teil der Rechtsgrundlage. Sie ist verbindlich. Eine in der ersten Unterrichtswoche des Semesters schriftlich festgehaltene und kommunizierte Modulvereinbarung kann die Modulbeschreibung präzisieren. Die Modulvereinbarung ersetzt nicht die Modulbeschreibung.

Hinweis

Kurs: Einführung in Natural Language Processing - Vorlesung
Nr.
t.BA.DS.NLP.20HS.V
Bezeichnung
Einführung in Natural Language Processing - Vorlesung

Hinweis

  • Für das Stichdatum 02.08.2099 ist kein Modulbeschreibungstext im System verfügbar.