Przetwarzanie języka naturalnego WM-I-S2-E2-PJNA
- https://e.uksw.edu.pl/course/view.php?id=49595 (w cyklu 2025/26_L)
- https://e.uksw.edu.pl/course/view.php?id=49595 (w cyklu 2026/27_L)
Przedmiot ma na celu wyposażenie studentów w wiedzę teoretyczną i praktyczną niezbędną do zrozumienia i wdrożenia technik i modeli NLP. Kurs obejmuje szeroki zakres tematów, od podstawowego wstępnego przetwarzania tekstu po zaawansowane modele głębokiego uczenia się i duże modele językowe (LLM). Studenci zdobędą praktyczne doświadczenie poprzez laboratoria i projekty, umożliwiając im zastosowanie metod NLP w rzeczywistych aplikacjach.
Dyscyplina naukowa, do której odnoszą się efekty uczenia się
E-Learning
Grupa przedmiotów ogólnouczenianych
Opis nakładu pracy studenta w ECTS
W cyklu 2025/26_L: WYKŁAD
Szacunkowy nakład pracy studenta:
- uczestnictwo w zajęciach: 30h,
- uczestnictwo w egzaminie: 3h,
- konsultacje z prowadzącym: 4h,
- przygotowanie do egzaminu: 13h,
razem 50h, co odpowiada 2 ECTS.
LABORATORIA:
Szacunkowy nakład pracy studenta:
- uczestnictwo w zajęciach: 30h,
- konsultacje z prowadzącym: 4h,
- przygotowanie do zajęć: 2h,
- przygotowanie projektu: 34h,
razem 70h, co odpowiada 3 ECTS. | W cyklu 2026/27_L: WYKŁAD
uczestnictwo w zajęciach: 30 godz.
udział w egzaminach poza zajęciami: 3 godz.
udział w konsultacjach: 4 godz.
przygotowanie do zajęć: godz.
przygotowanie do egzaminu: 13 godz.
Łącznie 50 godz.
1,5 ECTS - kontakt bezpośredni z prowadzącym
0,5 ECTS - praca własna
LABORATORIUM
uczestnictwo w zajęciach: 30 godz.
udział w konsultacjach: 4 godz.
przygotowanie do zajęć: 7 godz.
przygotowanie do zaliczenia: 34 godz.
Łącznie 75 godz.
1,4 ECTS - kontakt bezpośredni z prowadzącym
1,6 ECTS - praca własna |
Poziom przedmiotu
Symbol/Symbole kierunkowe efektów uczenia się
Typ przedmiotu
Wymagania wstępne
Koordynatorzy przedmiotu
W cyklu 2026/27_L: | W cyklu 2025/26_L: |
Efekty kształcenia
WYKŁAD
Student:
W1 – opisuje teoretyczne i techniczne podstawy NLP oraz klasyfikuje różne modele uczenia maszynowego stosowane do analizy danych tekstowych (I2_W10),
W2 – analizuje zastosowania narzędzi i metod NLP w kontekście rozwiązywania problemów w różnych dziedzinach, ewaluując ich skuteczność (I2_W02),
W3 – identyfikuje odpowiednie modele uczenia maszynowego dla zadań NLP w różnych zastosowaniach (I2_W02).
LABORATORIUM
Student:
U1 – odtwarza, analizuje i testuje modele NLP, implementując oraz optymalizując je przy użyciu języka Python i odpowiednich bibliotek (I2_U09),
U2 – szacuje wydajność zaimplementowanych technik NLP, dokonując ich oceny w różnych kontekstach zastosowania oraz interpretuje wyniki (I2_U06).,
K1 - implementuje różne techniki wstępnego przetwarzania tekstu w celu poprawy jakości modeli (I2_K05).
Kryteria oceniania
Dla wszystkich efektów przyjmuje się następujące kryteria oceny we wszystkich formach weryfikacji:
ocena 5: osiągnięty w pełni (bez uchwytnych niedociągnięć),
ocena 4,5: osiągnięty niemal w pełni i nie są spełnione kryteria przyznania wyższej oceny,
ocena 4: osiągnięty w znacznym stopniu i nie są spełnione kryteria przyznania wyższej oceny,
ocena 3,5: osiągnięty w znacznym stopniu – z wyraźną przewagą pozytywów – i nie są spełnione kryteria przyznania wyższej oceny,
ocena 3: osiągnięty dla większości przypadków objętych weryfikacją i nie są spełnione kryteria przyznania wyższej oceny,
ocena 2: nie został osiągnięty dla większości przypadków objętych weryfikacją.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: