Zdroje jazykových dat - NPFX070

• Anglický název: Language Data Resources
• Zajišťuje: Studijní oddělení (32-STUD)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2022
• Semestr: zimní
• E-Kredity: 5
• Rozsah, examinace: zimní s.:1/2, KZ [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština
• Způsob výuky: prezenční
• Způsob výuky: prezenční
• Je zajišťováno předmětem: NPFL070
• Garant: doc. Ing. Zdeněk Žabokrtský, Ph.D.; Mgr. Martin Popel, Ph.D.
• Třída: Informatika Mgr. - Matematická lingvistika
• Kategorizace předmětu: Informatika > Počítačová a formální lingvistika
• Prerekvizity : {NXXX011, NXXX012, NXXX013, NXXX070, NXXX071}
• Neslučitelnost : NPFL070
• Záměnnost : NPFL070

Anotace

čeština

Poslední úprava: doc. Mgr. Barbora Vidová Hladká, Ph.D. (25.01.2019)

Cílem přednášky je poskytnout studentům přehled o současném dění a trendech v oblasti Language Data Resources. Budou popsány vybrané typy anotací nad daty korpusové a slovníkové povahy a bude procvičeno zpracování takových dat pomocí softwarových nástrojů, a to zejména v programovacím jazyce Python. Jednotlivé typy anotací a možnosti jejich využití budou ilustrovány na předních projektech pro angličtinu, češtinu a některé další jazyky.

angličtina

Poslední úprava: doc. Mgr. Barbora Vidová Hladká, Ph.D. (25.01.2019)

The goal of the course is to provide students with the survey of the field of Language Data Resources. Selected types of linguistic annotations will be described, with emphasis on annotating corpus data and lexical data. Students will gain practice in using software tools for processing such data, especially in the programming language Python. Leading projects for English, Czech, and some other languages will be used for illustration.

Podmínky zakončení předmětu

čeština

Poslední úprava: Mgr. Martin Popel, Ph.D. (12.06.2019)

Pro získání klasifikovaného zápočtu je potřeba dosáhnout alespoň 50% z celkového počtu bodů z písemného testu a odevzdat všechny domácí úkoly.

Výsledná známka je založena na neváženém průměru výsledků písemného testu a domácích úkolů, podle následující tabulky:

1: ≥ 90%

2: ≥ 70%

3: ≥ 50%

4: < 50%

Pokud například získáte 600 z 1000 bodů za domácí úkoly (60%) a 36 ze 40 bodů za test (90%), vaše celkové skóre je 75% a výsledná známka 2.

Podrobnosti naleznete na https://ufal.mff.cuni.cz/courses/npfl070#grading

angličtina

Poslední úprava: Mgr. Martin Popel, Ph.D. (12.06.2019)

To pass the course, you need to get at least 50% of the total points from the written test and submit all homework assignments.

Your grade is based on the average of your performance; the test and the homework assignments are weighted 1:1. The final grade is assigned according to the following table:

1: ≥ 90%

2: ≥ 70%

3: ≥ 50%

4: < 50%

For example, if you get 600 out of 1000 points for homework assignments (60%) and 36 out of 40 points for the test (90%), your total performance is 75% and you get a 2.

For details, see https://ufal.mff.cuni.cz/courses/npfl070#grading

Literatura

čeština

Poslední úprava: doc. Mgr. Barbora Vidová Hladká, Ph.D. (25.01.2019)

• Články z vybraných konferencí (např. LREC, ACL) a časopisů (např. LRE)

angličtina

Poslední úprava: doc. Mgr. Barbora Vidová Hladká, Ph.D. (25.01.2019)

• Selected papers from related conferences (e.g. LREC, ACL) and journals (e.g. LRE)

Sylabus

čeština

Poslední úprava: doc. Mgr. Barbora Vidová Hladká, Ph.D. (25.01.2019)

1. Úvod

• motivace pro vytváření lingvisticky anotovaných dat, podstata anotování

• klasifikace jazykových dat, možnosti využití

• využití dat pro evaluaci úspěšnosti úloh zpracování přirozeného jazyka

2. Korpusy

• typologie korpusů, sady značek

• příklady korpusů, Český národní korpus

• paralelní korpusy

• vyhledávání v korpusech

3. Treebanky

• složkové a závislostní syntaktické struktury, převoditelnost

• hloubkové syntaktické stromy

• příklady treebanků

4. Počítačová lexikografie

• typy lexikální informace

• příklady lexikálních dat (flektivní a derivační slovníky, wordnety, valenční slovníky, překladové slovníky apod.)

5. Další typy jazykových dat

• korpusy s anotací pojmenovaných entit, sentimentu, dialogových aktů atd.

6. Tvorba datových zdrojů z pohledu autorských práv, licence

angličtina

Poslední úprava: doc. Mgr. Barbora Vidová Hladká, Ph.D. (25.01.2019)

1. Introduction

• motivation for building language data resources

• typology of language data, usage

• principles of annotation

• using annotated data for evaluation in Natural Language Processing tasks

2. Corpora

• corpus typology, tag sets

• example corpora, Czech National Corpus

• parallel corpora

• searching in corpora

3. Treebanks

• constituency and dependency syntactic structures, convertibility

• deep syntactic trees

• treebank examples

4. Computer lexicography

• types of lexical information

• examples of lexical data (inflectional and derivational lexicons, wordnets, valency lexicons, translation lexicons etc.)

5. Other types of language data resources

• named entity corpora, sentiment corpora, dialog corpora, etc.

6. Authors’ rights perspective on building language data resources; licenses