Tecnologías del lenguaje para la extracción de información

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

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

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

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

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

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

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

1. Introducción

2. Escenarios con más oportunidades

3. La búsqueda de oportunidades

3.1. Modalidades

3.2. Tareas más demandadas

3.3. Expresiones clave para localizar ofertas

3.4. Portales generalistas

3.5. Portales especializados

4. Recomendaciones para presentar candidaturas

4.1. CV visualmente atractivo

4.2. Adaptación para cada oferta

5. Preparación previa/continua

5.1. Marca personal

5.1.1. Práctica

5.1.2. Porfolio

5.1.3. Comunidades

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