230013 Neuronale Netze in der Sprachverarbeitung (S) (SoSe 2021)

Maschinelles Lernen ist ein zentrales Verfahren in der computerlinguistischen Forschung und vielen sprachtechnologischen Anwendungen. In den letzten Jahren wurden hier vor allem mit sogenannten neuronalen Netzen bzw. Methoden des Deep Learning Fortschritte erzielt. Dieses Seminar wiederholt zunächst einige grundlegende mathematische Konzepte, die für das Verständnis von Deep Learning notwendig sind (Rechnen mit Vektoren, Matrizen und Tensoren, Funktionen, Ableitungen). Wir beschäftigen uns dann mit zwei grundlegenden Typen von neuronalen Netzen, Feed-forward-Netzen und rekurrenten Netzen, und besprechen deren Anwendung in der Sprachverarbeitung. Außerdem geht es um Verfahren zum Lernen von sogenannten Wort- und Satzeinbettungen, die Wörter und Sätze mit kontinuierlichen Repräsentationen erfassen und einen der wichtigsten Durchbrüche der computerlinguistischen Forschung der letzten Jahre darstellen.

Teilnahmevoraussetzungen, notwendige Vorkenntnisse

Da wir einige der besprochenen Verfahren mit Python und PyTorch implementieren werden, sind Grundkenntnisse im Programmieren eine wichtige Voraussetzung für diesen Kurs.

Literaturangaben

- Marc Peter Deisenrith, A. Aldo Faisal und Cheng Soon Ong. 2020. Mathematics for Machine Learning. Cambridge University Press
- Dan Jurafsky and James H. Martin. Speech and Language Processing (3rd ed. draft). Aktuelle Draftversion unter https://web.stanford.edu/~jurafsky/slp3/
- Delip Rao und Brian McMahan. 2019. Natural Language Processing mit PyTorch. O'Reilly