Explicar brevemente qué es el procesamiento de lenguaje natural (NLP),  su importancia en la inteligencia artificial y el rol del lingüista en este tipo de proyectos..

Describir los conceptos básicos de análisis de sentimientos y su aplicación en diferentes áreas como las redes sociales, la opinión de clientes, etc.

Presentar las herramientas disponibles para NLP en Python, centrándose en NLTK y spaCy. Describir las principales funciones y cómo preprocesa el texto.

Organización temporal: Lunes 19/02. 2 horas

Momento inicial: Explicación de la tarea a realizar, recursos disponibles, criterios de evaluación e instrumentos.

Desarrollo: El alumnado trabaja en su Padlet individual.

Momento final: Puesta en común del trabajo realizado. Verificación de que todos los alumnos han completado el Padlet.

Agrupamientos: Individual

Herramientas: Padlet

Espacios: Aula de informática. Estilo auditorio

Criterios de evaluación: 4.a) Se ha caracterizado el procesamiento de lenguaje natural.

Recursos técnicos: PC del aula asignado a cada alumno. Outliner de Diigo.

Detallar los pasos necesarios para el preprocesamiento de texto: tokenización, eliminación de stop words, lematización, etc.

Realizar ejemplos prácticos de preprocesamiento de texto utilizando NLTK y spaCy, explicando en qué casos es factible utilizar el PLN para resolver problemas.

Organización temporal: Miércoles 21/02. 2 horas

Momento inicial: presentación teórica de la teoría de preprocesamiento de texto. Presentación de la tarea a realizar en Google Colab con las librerías NLTK.

Desarrollo: El alumnado realiza ejemplos prácticos

Momento final: Evaluación conjunta de los resultados obtenidos por los diferentes grupos.

Agrupamientos: Parejas o pequeño grupo

Herramientas: Google Colab

Espacios: Aula de informática. Estilo agrupado

Criterios de evaluación: 4.d) Se ha considerado en qué casos es factible aplicar estas técnicas en la resolución de un problema.

Recursos técnicos: PC del aula asignado a cada alumno. Outliner de Diigo.

Explicar cómo funciona un clasificador de sentimientos y cómo se puede entrenar con conjuntos de datos etiquetados.

Proporcionar un conjunto de datos etiquetado para el análisis de sentimientos (por ejemplo, el conjunto de datos de críticas de películas de IMDb).

Desarrollar el proceso de entrenamiento de un clasificador de sentimientos utilizando NLTK o spaCy.

Organización temporal: jueves 22/02. 2 horas, lunes 26/02. 2 horas.

Momento inicial: Presentación del concepto de análisis de sentimientos y algunos ejemplos de uso. Descripción de la tarea al alumnado.

Desarrollo: El alumnado elige un juego de datos y entrena un modelo para clasificación de sentimientos utilizando las librerías indicadas.

Momento final: Evaluación conjunta de los resultados obtenidos mediante lista de verificación.

Agrupamientos: Parejas o pequeño grupo

Herramientas: Google Colab

Espacios: Aula de informática. Estilo agrupado

Criterios de evaluación: 4.g) Se ha elaborado un sistema de procesamiento de lenguaje orientado a una tarea específica.

Recursos técnicos: PC del aula asignado a cada alumno. Outliner de Diigo.

Diseñar y desarrollar un sistema de análisis de sentimientos utilizando el clasificador entrenado.

Cada grupo deberá trabajar en la implementación de funciones que permitan ingresar un texto y devolver el sentimiento asociado utilizando NLTK o spaCy.

Organización temporal: lunes 04/03, 2 horas

Momento inicial: Seguimiento de la sesión anterior y presentación de la presente tarea.

Desarrollo: Cada grupo trabaja para probar el modelo desarrollado mediante entradas de ejemplo.

Momento final: Puesta en común de los resultados obtenidos por cada grupo.

Agrupamientos: Parejas o pequeño grupo

Herramientas: Google Colab.

Espacios: Aula de informática. Estilo agrupado

Criterios de evaluación: 4.g) Se ha elaborado un sistema de procesamiento de lenguaje orientado a una tarea específica.

Recursos técnicos: PC del aula asignado a cada alumno. Outliner de Diigo.

Evaluar el rendimiento de los sistemas desarrollados utilizando conjuntos de datos adicionales o subconjuntos de los datos no utilizados para el entrenamiento..

Cada grupo realizará una presentación en vídeo de su sistema, describiendo el enfoque utilizado, los resultados obtenidos y las posibles mejoras o limitaciones identificadas.

Organización temporal: miércoles 06/03. 2 horas

Momento inicial: Presentación de la sesión.

Desarrollo: Cada grupo presenta el vídeo de su solución, exponiendo los resultados obtenidos.

Momento final: Coevaluación. Votación entre los alumnos de la mejor solución presentada en vídeo. Premio a al mejor grupo.

Agrupamientos: Parejas o pequeño grupo

Herramientas: OBS Studio y Shotcut.

Espacios: Aula ATECA. Disposición estilo seminario.

Criterios de evaluación: 4.c) Se ha determinado el potencial de las técnicas existentes de procesamiento de lenguaje, así como sus limitaciones.

Recursos técnicos: Ordenador y pizarra digital del aula ATECA.