Master Praktikum - Machine Learning and Natural Language Processing for Opinion Mining (IN2106, IN4249)
Master Lab Course - Machine Learning and Natural Language Processing for Opinion Mining (IN2106, IN4249)
Lehrveranstaltung 0000004166 im SS 2019
Basisdaten
LV-Art | Praktikum |
---|---|
Umfang | 6 SWS |
betreuende Organisation | Informatik 2 - Lehrstuhl für Sprachen und Beschreibungsstrukturen in der Informatik (Prof. Seidl) |
Dozent(inn)en |
Gerhard Johann Hagerer Leitung/Koordination: Georg Groh |
Termine |
Mi, 08:00–11:00, MI 01.10.011 sowie 1 einzelner oder verschobener Termin |
Zuordnung zu Modulen
-
IN2106: Master-Praktikum / Advanced Practical Course
Dieses Modul ist in den folgenden Katalogen enthalten:- weitere Module aus anderen Fachrichtungen
weitere Informationen
Lehrveranstaltungen sind neben Prüfungen Bausteine von Modulen. Beachten Sie daher, dass Sie Informationen zu den Lehrinhalten und insbesondere zu Prüfungs- und Studienleistungen in der Regel nur auf Modulebene erhalten können (siehe Abschnitt "Zuordnung zu Modulen" oben).
ergänzende Hinweise | Heutzutage werden soziale Medien vielfältig verwendet, um Gefühle und Eindrücke unseres Alltags auszutauschen und zu kommunizieren. Infolgedessen steht eine Vielzahl von Textdaten online zur Verfügung, die verschiedene Stimmungen zu verschiedenen Themen enthalten. Unser Ziel ist es, dieses Meer an Informationen für Meinungsforscher aus einem nicht-technischen Bereich zu strukturieren und verständlich darzustellen. Zu diesem Zwecke erscheinen die jüngsten Fortschritte im Bereich des maschinellen Lernens und der natürlichen Sprachverarbeitung vielversprechend, da sie das menschliche Verständnis von Text nachahmen, indem sie universelles semantisches Wissen aus großen Textressourcen aufnehmen und extrahieren. Daher bieten wir eine Reihe von entsprechender Forschungsliteratur an, auf deren Grundlage die Studierenden neue Methoden zur Stimmungsanalyse, zum semantischen Clustering, zur Aspekt-Extraktion, zur Themenmodellierung sowie zur Datenvorverarbeitung und -erfassung implementieren und anwenden. Die Methoden beziehen potenziell neuronale Netze ein und beinhalten unter anderem semantische Einbettungen, Aufmerksamkeitsmechanismen, Transferlernen, Clustering-Algorithmen sowie unüberwachte und überwachte Ansätze. |
---|---|
Links |
E-Learning-Kurs (z. B. Moodle) TUMonline-Eintrag |