1. Zajęcia 1 Elementy teorii języków formalnych
   
   • Materiały
     • Elementy teorii języków formalnych
   • Zadania
   • Co po tych zajęciach powinno się znać / wiedzieć / umieć
     • Znać podstawowe pojęcia teorii języków formalnych.
2. Zajęcia 2 FSM jako prosty chatbot
   
   • Materiały
     • NLP overview
   • Zadania
     • Zaimplementować FSM dla wybranego "hasła".
     • Alternatywnie: zaimplementować prostego chatbot-a.
   • Co po tych zajęciach powinno się znać / wiedzieć / umieć
     • Jak wykorzystać FSM do prostego przetwarzania regularnych wyrażeń.
3. Zajęcia 3 From words to numbers. Parsing, tokenization, extract information
   
   • Materiały
     • From words to numbers. Parsing, tokenization, extract information
   • Zadania
     • Zaimplementować prosty parser wykorzystując FSM.
   • Co po tych zajęciach powinno się znać / wiedzieć / umieć
     • Czym jest tokenizacja.
     • Metody "wektoryzacji" napisów.
4. Zajęcia 4 Przyglądamy się stworzonym chatbotom (zadanie z zajęć 2)
   
   • Materiały
   • Zadania
   • Co po tych zajęciach powinno się znać / wiedzieć / umieć
5. Zajęcia 5 Working with words frequencies
   
   • Materiały
     • Working with words frequencies
   • Zadania
     • Wykorzystaj TF-IDF do zaimplementowania ulepszonej wersji chatbot-a.
   • Co po tych zajęciach powinno się znać / wiedzieć / umieć
     • Jak obliczamy wartości TF-IDF.
6. Zajęcia 6 Math behind NLP (część I: do wektorów i wartości własnych włącznie)
   
   • Materiały
     • Math behind NLP
   • Zadania
   • Co po tych zajęciach powinno się znać / wiedzieć / umieć
7. Zajęcia 7 Math behind NLP (część II: rozkład SVD)
   
   • Materiały
     • Math behind NLP
   • Zadania
   • Co po tych zajęciach powinno się znać / wiedzieć / umieć
     • Czym jest SVD.
8. Zajęcia 8 Math behind NLP (część III: PCA - analiza głównych składowych)
   
   • Materiały
     • Math behind NLP
     • Piotr Fulmański, Marta Grzanek (Lipnicka), Sztuczna inteligencja. Pdręcznik do wykładow i ćwiczeń
   • Zadania
   • Co po tych zajęciach powinno się znać / wiedzieć / umieć
     • Czym jest PCA.
     • Związek pomiędzy SVD a PCA.
     • Jak można wykorzystać SVD i PCA w NLP.
9. Zajęcia 9 Semantic analysis. In the search of meaning and context in words count: meaning
   
   • Materiały
     • Semantic analysis. In the search of meaning in words count
     • Understanding the Confusion Matrix and How to Implement it in Python
     • Confusion Matrix
   • Zadania
   • Co po tych zajęciach powinno się znać / wiedzieć / umieć
     • Czym jest tzw. topic vector (DTM - document term matrix)? Jakie informacje zawiera, jak go interpretować?
     • Linear Discriminant Analysis (LDA) - zasada działania oraz praktyczna umiejętność wykorzystania.
10. Zajęcia 10 Semantic analysis. In the search of meaning and context in words count: kończymy LDA + context
    
    • Materiały
      • Semantic analysis. In the search of meaning in words count
    • Zadania
      • Zadania sformułowane w prezentacji.
      • NLP: Words co-ocurrences matrix
      • How to calculate a word-word co-occurrence matrix?
    • Co po tych zajęciach powinno się znać / wiedzieć / umieć
      • Latent Semantic Analysis (LSA) - zasada działania oraz praktyczna umiejętność wykorzystania.
      • Co-occurrence matrix (COM)
11. Zajęcia 11 Krótkie wprowadzenie do sztucznych sieci neuronowych, część I
    
    • Materiały
      • Artificial neural networks. In the search of the brain
12. Zajęcia 12 Krótkie wprowadzenie do sztucznych sieci neuronowych, część II - przykłady
    
    • Materiały
      • Artificial neural networks. In the search of the brain
13. Zajęcia 13 word2vec
    
    • Materiały
      • word2vec
14. Zajęcia 14 Podsumowanie
    
    • Materiały
      • ...

Materiały

• ...