Artificial Intelligence for Humanities - NPFL142

• Title: Umělá inteligence pro humanitní a společenské vědy
• Guaranteed by: Institute of Formal and Applied Linguistics (32-UFAL)
• Faculty: Faculty of Mathematics and Physics
• Actual: from 2024
• Semester: summer
• E-Credits: 4
• Hours per week, examination: summer s.:2/2, C+Ex [HT]
• Capacity: unlimited
• Min. number of students: unlimited
• 4EU+: no
• Virtual mobility / capacity: no
• Key competences: data literacy
• State of the course: taught
• Language: Czech
• Teaching methods: full-time
• Additional information: https://ufal.mff.cuni.cz/courses/npfl142
• Guarantor: doc. Mgr. Barbora Vidová Hladká, Ph.D.; RNDr. Martin Holub, Ph.D.
• Teacher(s): RNDr. Martin Holub, Ph.D.; doc. Mgr. Barbora Vidová Hladká, Ph.D.

Annotation

English

Artificial Intelligence is a highly topical and growing trend penetrating into various areas of life and most scientific fields, including the humanities and social sciences. This course is a response to the increasing importance of rapidly advancing computer technologies, and it presents the technological foundations of Artificial Intelligence in an understandable way. The course is primarily designed for students in the humanities and social sciences at any level (BSc/MSc/PhD).

Last update: Mírovský Jiří, RNDr., Ph.D. (24.05.2023)

Czech

Umělá inteligence je velmi aktuálním a sílícím trendem pronikajícím do nejrůznějších oblastí života i většiny vědních oborů, včetně humanitních a společenskovědních. Tímto kurzem reagujeme na rostoucí význam rychle se uplatňujících počítačových technologií a srozumitelnou formou představujeme technologické základy umělé inteligence. Kurz je určen především studentům humanitních a společenskovědních oborů, a to na jakémkoliv stupni (Bc/Mgr/PhD).

Last update: Mírovský Jiří, RNDr., Ph.D. (24.05.2023)

Aim of the course

English

During the course, students will acquire theoretical knowledge as well as practical skills necessary for solving practical tasks using available data and Artificial Intelligence methods, particularly in the field of text analysis. To this end, they will learn to use tools implemented in the R software system and independently read technical literature. Upon completion of the course, graduates will have the ability to analyze and process data from various areas of the humanities or social sciences, and use this data for experimenting with Artificial Intelligence.

Last update: Mírovský Jiří, RNDr., Ph.D. (23.05.2023)

Czech

Studenti během kurzu získají teoretické znalosti i praktické dovednosti potřebné pro řešení praktických úloh s využitím dostupných dat a metod umělé inteligence, zejména z oblasti analýzy textů. Za tímto účelem se naučí využívat nástroje implementované v programovacím prostředí R a samostatně se orientovat v technické literatuře. Absolvent kurzu má schopnost analyzovat a zpracovat data z různých oblastí humanitních nebo společenských věd a tato data využívat pro experimentování s umělou inteligencí.

Last update: Vidová Hladká Barbora, doc. Mgr., Ph.D. (24.05.2023)

Course completion requirements

English

The course will be concluded with an exam. Obtaining the course credit is a prerequisite for taking the exam. The credit is awarded for active participation throughout the term and the submission of ongoing homework assignments. Lab session attendance is mandatory. Lecture attendance is, in fact, essential for understanding the content of the lab sessions and completing the assignments.

Last update: Mírovský Jiří, RNDr., Ph.D. (23.05.2023)

Czech

Předmět bude ukončen zkouškou. Udělení zápočtu je podmínkou k připuštění ke zkoušce. Zápočet se uděluje za aktivní práci během celého semestru a odevzdávání průběžných domácích úkolů. Docházka na cvičení je povinná. Účast na přednáškách je pro pochopení obsahu cvičení a vypracování domácích úkolu de facto nezbytná.

Last update: Vidová Hladká Barbora, doc. Mgr., Ph.D. (24.05.2023)

Literature

English

• Arnold, Taylor and Lauren Tilton: Humanities Data in R. Exploring Networks, Geospatial Data, Images, and Text. Springer, 2015. [https://link.springer.com/book/10.1007/978-3-319-20702-5]

• Lantz, Brett: Machine Learning with R. PACKT Publishing. 2013, 2019.

• Grolemund, Garrett and Hadley Wickham: R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O'Reilly Media, 2016. [https://r4ds.hadley.nz/]

• Boehmke, Bradley and Brandon M. Greenwell: Hands-On Machine Learning with R. Chapman & Hall/CRC, 2019. [https://bradleyboehmke.github.io/HOML/]

• Hvitfeldt, Emil and Julie Silge: Supervised Machine Learning for Text Analysis in R. CRC Press. 2022. [https://smltar.com/]

Last update: Holub Martin, RNDr., Ph.D. (06.06.2023)

Requirements to the exam

English

The exam consists of a written and an oral part and we take into account the quality of ongoing homework completions as well. The examination requirements correspond to the course syllabus. More details are available on the course web site.

Last update: Mírovský Jiří, RNDr., Ph.D. (23.05.2023)

Czech

Zkouška má písemnou a ústní část, do úvahy však bereme také úroveň zpracování průběžných domácích úkolů. Požadavky ke zkoušce odpovídají sylabu předmětu, podrobnosti jsou uvedené na webové stránce předmětu.

Last update: Vidová Hladká Barbora, doc. Mgr., Ph.D. (24.05.2023)

Syllabus

English

The teaching is conducted through demonstrations of Artificial Intelligence methods on illustrative solutions of intentionally diverse practical tasks. These tasks include automatic authorship recognition, native language identification, text age estimation, predicting the success of advertising campaigns, analyzing texts from social media, conducting shopping cart analysis, analyzing and visualizing citation networks, visualizing image similarities, and various problems in psychometrics. Students are guided towards independent analysis of data sources from the humanities or social sciences and they acquire the knowledge necessary to use Artificial Intelligence methods implemented in the R software system. We particularly focus on the following topics:

Part I - Introduction to Artificial Intelligence methods

General technological principles of Artificial Intelligence and statistical Machine Learning

Historical overview of Artificial Intelligence development from a technological and user perspective

Statistical data analysis

Technologies available for processing textual data

Tools from the tidyverse package in the R software system

Part II - Traditional methods of statistical machine learning

Principles of learning from examples, classification and regression

Use and parameterization of selected learning algorithms

Clustering

Experiment evaluation

Part III - Deep Learning in Neural Networks

Neural Network Architecture

Representation of textual data using embeddings

Training Neural Networks

Last update: Vidová Hladká Barbora, doc. Mgr., Ph.D. (24.05.2023)

Czech

Výuka probíhá jako demonstrace metod umělé inteligence na názorném řešení záměrně různorodých praktických úloh, jako jsou např. automatické rozpoznávání autorství, rodného jazyka, určování doby vzniku textu, předpovídání úspěšnosti reklamních kampaní, analýza textů ze sociálních sítí, marketingová analýza nákupních košíků, analýza a vizualizace sítě odkazů nebo podobnosti obrázků a různé problémy z oblasti psychometrie. Studenti jsou vedeni k samostatné analýze datových zdrojů s humanitním nebo společenskovědním obsahem a získávají znalosti potřebné k využívání metod umělé inteligence implementovaných v softwarovém prostředí R. Přitom jsou probírána zejména následující témata:

Část I – Předehra k metodám umělé inteligence

• Obecné technologické principy umělé inteligence a statistického strojového učení

• Historický přehled vývoje umělé inteligence z technologického a uživatelského pohledu

• Statistická analýza dat

• Dostupné technologie pro zpracování textových dat

• Nástroje z balíčku tidyverse v prostředí R

Část II – Klasické metody statistického strojové učení

• Princip učení z příkladů, klasifikace a regrese

• Použití a parametrizace vybraných učících algoritmů

• Shluková analýza

• Vyhodnocování experimentů

Část III – Hluboké učení v neuronových sítích

• Architektury neuronových sítí

• Reprezentace textových dat pomocí tzv. embeddings

• Trénování neuronových sítí

Last update: Holub Martin, RNDr., Ph.D. (06.06.2023)

Entry requirements

English

We expect students to have a willingness to experiment with Artificial Intelligence, including Neural Networks. Prospective participants of this course should have a basic understanding of working with the R system and should possess at least elementary knowledge of systematic data processing and statistical analysis. These prerequisite requirements can be fulfilled by attending the parallel course "Data Processing and Analysis for Humanities" [NPFL143].

Last update: Mírovský Jiří, RNDr., Ph.D. (23.05.2023)

Czech

U studentů předpokládáme chuť experimentovat s umělou inteligencí, včetně neuronových sítí. Zájemci o tento kurz by měli ovládat základy práce v systému R a měli by mít alespoň elementární znalosti o systematickém zpracování a statistické analýze dat. Tyto vstupní předpoklady lze nahradit docházkou na paralelně vyučovaný kurz "Zpracování a analýza dat pro humanitní a společenské vědy" [NPFL 143].

Last update: Vidová Hladká Barbora, doc. Mgr., Ph.D. (24.05.2023)