Tecnologías del lenguaje para la extracción de información

El objetivo del curso es profundizar en los fundamentos y técnicas básicas de las tecnologías del lenguaje relacionadas con la extracción de información. Concretamente, el curso se centra en las aplicaciones que incluyen las tareas típicas en este ámbito como son:

  • el reconocimiento de entidades y conceptos
  • la extracción de insights
  • la clasificación automática (con modelos clásicos o con técnicas de aprendizaje computacional y/o deep learning)
  • el análisis de sentimientos, emoción y opinión
  • las técnicas de recuperación de información, respuesta a preguntas y extracción de resúmenes.
Concepción Polo Bayo

Concepción Polo Bayo

Profesora de PLN

Janine García Morera

Janine García Morera

Profesora de PLN

Julio Villena Román

Julio Villena Román

Profesor de PLN

Grupos limitados

300,00€

8 lecciones (100 h)
Orientación profesional
Tutorizado
Bolsa de empleo
Certificado al finalizar
Gastos de matrícula (30€) no incluidos en el precio del curso. Consulta descuentos.
Contenido
OBJETIVOS

La finalidad última es proporcionar al lingüista los conocimientos y habilidades necesarios para desempeñar roles profesionales significativos en las distintas áreas de la extracción de información para PLN. Para ello, además de explicar su papel y sus tareas más habituales en cada tipo de proyecto, el curso se desarrolla con un enfoque teórico-práctico y numerosos ejercicios de casos reales de aplicación empleando plataformas en la nube y ejemplos de código en Python.

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN

0. Objetivos de la unidad

1. Introducción

1.1. Orígenes de la extracción de información

1.2. Información estructurada vs. información no estructurada

2. Tareas de extracción de información

2.1. Reconocimiento de entidades

2.2. Clasificación automática 

2.3. Extracción de información elaborada

2.4. Recuperación de información

2.5. Respuesta a preguntas

2.6. Extracción de resúmenes

3. Generación automática de texto

3.1. Fundamentos

3.2. Modelos GPT

4. Métricas de evaluación

5. Aprendizaje automático y deep learning

5.1. Aprendizaje automático

5.2. Redes neuronales y deep learning

5.2.1. Redes neuronales convolucionales

5.2.2. Capa de atención

5.2.3. Redes neuronales recurrentes

5.2.4. Arquitectura encoder-decoder

5.2.5. Modelo de transformer

5.2.6 Ventajas e inconvenientes

5.3. Vectores de embeddings

UNIDAD DIDÁCTICA 2. RECONOCIMIENTO DE ENTIDADES

0. Objetivos de la unidad

1. Introducción

1.1. Fundamentos y conceptos básicos

1.2. Proceso de reconocimiento de entidades

1.3. Representación del texto como secuencias

1.4. Entity linking

1.5. Aplicaciones

2. Métricas de evaluación

3. Técnicas de reconocimiento de entidades

3.1. Modelos clásicos de procesamiento del lenguaje natural

3.1.1. Características para reconocer/clasificar entidades

3.1.2. Tarea del lingüista

3.2. Técnicas de aprendizaje automático

3.2.1. Algoritmos de aprendizaje automático

3.2.2. Deep learning

3.2.3. Tarea del lingüista

Ejercicio 1: Reconocimiento de entidades con un sistema real

1. Introducción

2. IBM Watson Natural Language Understanding

3. Google Cloud Natural Language

Ejercicio 2: Funcionalidades para la tarea de reconocimiento de entidades 

1. Introducción

2. Google Colaboratory

3. Creación de un cuaderno nuevo

4. Reconocimiento de entidades con NLTK

5. Reconocimiento de entidades con spaCy

UNIDAD DIDÁCTICA 3. CLASIFICACIÓN AUTOMÁTICA

0. Objetivos de la unidad

1. Introducción

1.1. Fundamentos y conceptos básicos

1.2. Tipos de clasificación

1.2.1. Clasificación binaria (binary)

1.2.2. Clasificación multiclase (multiclass)

1.2.3. Clasificación single-label vs. multi-label

1.3. Aplicaciones

2. Métricas de evaluación

2.1. Escenarios single-label

2.2. Escenarios multi-label

3. Técnicas de clasificación automática

3.1. Modelos basados en reglas

3.1.1. Tarea del lingüista

3.2. Técnicas de aprendizaje automático

3.2.1. Tarea del lingüista

3.3. Modelos híbridos

4. Tipos específicos de clasificación

4.1 Análisis de sentimientos

4.2. Análisis de emoción

4.3. Análisis de reputación

4.4. Detección de idioma

4.5. Detección de intenciones

Ejercicio 3: Clasificación de textos con un sistema real

1. Introducción

2. IBM Watson Natural Language Understanding

3. Google Cloud Natural Language

Ejercicio 4: Entrenamiento de un modelo de clasificación

1. Introducción

2. Modelo de clasificación de intenciones

3. Entrenamiento

4. Ejecución

UNIDAD DIDÁCTICA 4. EXTRACCIÓN DE INFORMACIÓN COMPLEJA

0. Objetivos de la unidad

1. Introducción

2. Modelo de grafo semántico

3. Tarea de extracción de información

3.1. Modelos de reglas de extracción

3.2. Técnicas de aprendizaje automático

3.3. Tarea del lingüista

UNIDAD DIDÁCTICA 5. RECUPERACIÓN DE INFORMACIÓN

0. Objetivos de la unidad

1. Fundamentos y conceptos

2. Modelos de recuperación de información

2.1. Modelo booleano

2.2. Modelo de espacio vectorial

2.3. Modelo probabilístico

3. Similitud semántica

3.1. Conceptos

3.2. Búsqueda semántica

4. Métricas de evaluación

5. Tarea del lingüista

Ejercicio 5: Similitud semántica y búsqueda semántica

1. Búsqueda semántica

2. Búsqueda de duplicados

UNIDAD DIDÁCTICA 6. RESPUESTA A PREGUNTAS

0. Objetivos de la unidad

1. Introducción

1.1. Conceptos y fundamentos

1.2. Historia

2. Proceso de respuesta a preguntas

2.1. Fundamentos

2.2. Análisis de la pregunta

2.3. Recuperación de contextos

2.4. Extracción de la respuesta

2.5. Ejemplo

3. Extractive question answering

4. Tarea del lingüista

UNIDAD DIDÁCTICA 7. EXTRACCIÓN DE RESÚMENES

0. Objetivos de la unidad

1. Introducción

2. Resúmenes extractivos

2.1. Conceptos

2.2. Proceso clásico

2.3. Modelos basados en aprendizaje automático

2.4. Escenarios específicos

2.5. Tarea del lingüista

3. Resúmenes abstractivos

3.1. Conceptos

3.2. Modelos

3.3. Tarea del lingüista

Ejercicio 6: Extracción de resúmenes extractivos y abstractivos

1. Resúmenes extractivos

2. Resúmenes abstractivos

UNIDAD DIDÁCTICA 8. PRÁCTICA FINAL

1. Objetivos

2. Desarrollo del ejercicio

2.1. Diseño del escenario

2.2. Desarrollo del escenario

3. Informe de resultados

4. Rúbrica de evaluación

Cursos relacionados
¿Qué opinan del curso?

¿Quieres ser el primero en opinar?

¡Escríbenos a cursos@calamoycran.com!

[cerrar]

Mostrar el certificado de confianza
Artículos relacionados
  • Aquí tienes las fechas de los cursos presenciales y por videoconferencias que tendremos preparados cuando volvamos del verano.
    Cursos para la vuelta del verano

    Si eres de los que te gusta preparar las cosas con antelación, ¡te entendemos! Aquí tienes las fechas de los cursos presenciales y por videoconferencias que tendremos preparados cuando volvamos del verano. Mientras, ¡a disfrutar!

  • El futuro en ciencia es de letras, ahora toca PLN (Procesamiento del lenguaje natural)

    Cálamo y Cran te acompaña en el reto de formación en Procesamiento del lenguaje natural para que aportes tu talento al mundo de la IA en español.

  • El sistema arText

    ArText, una herramienta tecnológica que ayuda a estructurar, redactar y revisar géneros textuales producidos en español en determinados ámbitos especializados, y que integra recursos tecnológicos del ámbito del Procesamiento del Lenguaje Natural (PLN), una rama de la inteligencia artificial.

Esta web utiliza cookies propias para su correcto funcionamiento. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Configurar y más información
Privacidad