7. Beslutsförslag: Fastställande av kursplaner för utbildning på forskarnivå

Transkript

1 DEPARTMENT OF PHILOSOPHY, LINGUISTICS AND THEORY OF SCIENCE 7. Beslutsförslag: Fastställande av kursplaner för utbildning på forskarnivå Innehåll 1. Statistiska metoder/statistical Methods in NLP, 7.5 hp 2. Läskurs: Forskningsmetoder inom vetenskapsteori/research methods in theory of science, 2,5 hp 3. Reading course: Topics in Advanced Deep Machine Learning, 7,5 hp 4. Reading course: Topics in Deep Machine Learning, 7,5 hp 5. Läskurs: Presentation (muntlig och skriftlig) av eget arbete vid vetenskaplig konferens och för samhället i övrigt/presentation (written and oral) of own work at scientific conference and for society as a whole, 5 hp

2 DEPARTMENT OF PHILOSOPHY, LINGUISTICS AND THEORY OF SCIENCE Statistical Methods in NLP, 7.5 higher education credits Statistiska metoder, 7.5 högskolepoäng Third Cycle/Forskarnivå Confirmation The course syllabus was confirmed by the Department of Philosophy, Linguistics and Theory of Science on ÅÅÅÅ-MM-DD to be valid from ÅÅÅÅ-MM-DD. Entry requirements General and specific entry requirements for third-cycle education according to Admissions Regulations and the general syllabus [allmän studieplan] for the subject area at hand. Learning outcomes After completion of the course the student is expected to be able to: Knowledge and understanding demonstrate knowledge and understanding of the subject areas of the course, discuss in detail key theories and issues in one or more subject areas of the course, Skills and abilities offer a detailed analysis of issues, lines of arguments or methods in the literature, select and identify issues, lines of argument or methods from the literature which are suitable for a short critical essay or a conference paper, Judgement and approach critically discuss, orally or in writing, questions, lines of arguments or methods from the literature, critically assess the validity of the studied lines of argument.

3 2 / 3 Course content Introduction to Machine Learning Combinatorics Computational Statistics using Python (& R) Probability Theory: Introduction Law of Total probability Independent vs. Dependent Events Conditional Probability Bayesian Theorem Discrete Variables Continuous Variables Distributions (Bernoulli Distribution, Binomial Distribution, Hypergeometric Distribution, Random Variables, Continuous Variables) Hypothesis Testing Linear Models Linear Mixed Effects Models Information Theory Entropy Bayesian Theorem Machine Learning Approaches Linear Discriminant Analysis Functional Discriminant Analysis Decision trees, CART, C5.0 Evaluation Markov Chains Hidden Markov Models Viterbi algorithm Implementation of a part-of-speech tagger with Viterbi Algorithm. Hidden Markov Models Training and Evaluating HMMs Neural Networks Teaching format Individual reading assignments, exercises and labs. Primary language of instruction: English Assessment The final grade is the result of the evaluation in the following tasks: 1. Two (2) Assignments XXXnnnn [Svensk benämning], NN högskolepoäng / [Engelsk benämning], NN higher education credits

4 3 / 3 2. Weekly Tasks 3. Three (3) Mandatory Programming Assignments 4. Final Oral Presentation Grades The grading scale comprises Pass (G) or Fail (U). Course evaluation The course is evaluated by oral feedback. Additional information Bibliography is appended. Course Books Christopher Manning and Hinrich Schütze (1999) Foundations of Statistical Natural Language Processing, Cambridge, Massachusetts, USA. MIT Press. Also see the book's supplemental materials website at Stanford. Joseph K. Blitzstein, Jessica Hwang (2014). Introduction to Probability. London: CRC Press. Taylor & Francis. James Gareth, Witten Daniela, Hastie Trevor and Robert Tibshirani (). An Introduction to Statistical Learning. Springer. Available online by the authors here. Slides and videos for Statistical Learning MOOC by Hastie and Tibshirani available separately here. Slides and video tutorials related to this book by Abass Al Sharif can be downloaded here. Complementary Textbooks Daniel Jurafsky and James Martin (2008) An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition, Second Edition. Prentice Hall. Russell, Stuart J.; Norvig, Peter (2009), Artificial Intelligence: A Modern Approach (3rd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN XXXnnnn [Svensk benämning], NN högskolepoäng / [Engelsk benämning], NN higher education credits

5 INSTITUTIONEN FÖR FILOSOFI, LINGVISTIK OCH VETENSKAPSTEORI Läskurs: Forskningsmetoder inom vetenskapsteori, 2,5 högskolepoäng Research methods in Theory of Science, 2,5 higher education credits Fastställande Kursplanen är fastställd av Institutionen för Filosofi, Lingvistik och Vetenskapsteori 2017-MM-DD att gälla från och med 2017-MM-DD. Förkunskapskrav Grundläggande och särskild behörighet för utbildning på forskarnivå i enlighet med antagningsordningen och den allmänna studieplanen för det aktuella forskarutbildningsämnet. Lärandemål Efter avslutad kurs förväntas doktoranden kunna: Kunskap och förståelse visa fördjupad kunskap och förståelse inom kursens ämnesområden, ingående redogöra för centrala teoribildningar och frågeställningar inom något eller några av kursens ämnesområden, Färdighet och förmåga ingående analysera frågeställningar, argumentationslinjer eller metoder som förekommer i kurslitteraturen, välja och avgränsa frågeställningar, argumentationslinjer eller metoder i litteraturen som är lämpliga för en kortare kritisk uppsats eller ett konferensbidrag, Värderingsförmåga och förhållningssätt kritiskt diskutera, muntligt eller skriftligt, frågeställningar, argumentationslinjer eller metoder som förekommer i kurslitteraturen, kritiskt granska rimligheten i de studerade argumentationslinjerna.

6 2 / 2 Innehåll Kursen syftar till att undersöka och problematisera forskningsmetoder inom ämnet vetenskapsteori. Häri ingår reflektion över användningen av såväl nutida som äldre forskningsmetoder. Undervisningsformer Undervisning sker genom individuella läsuppgifter och övningar. Undervisningsspråk: Engelska och svenska Former för bedömning Kursen examineras individuellt i skriftlig eller muntlig form. Betyg På kursen ges något av betygen Godkänd (G) och Underkänd (U). Kursvärdering Kursen utvärderas i skriftlig eller muntlig form. Litteratur Urval av vetenskapsteoretiska metodtexter eller texter där användningen av forskningsmetod kan bli föremål för analys. Forskningsmetoder inom vetenskapsteori, 2,5 högskolepoäng / Research methods in theory of science, 2,5 higher education credits

7 DEPARTMENT OF PHILOSOPHY, LINGUISTICS AND THEORY OF SCIENCE Reading course: Topics in Advanced Deep Machine Learning, 7,5 higher education credits Third Cycle/Forskarnivå Confirmation The course syllabus was confirmed by the Department of Philosophy, Linguistics and Theory of Science on ÅÅÅÅ-MM-DD to be valid from ÅÅÅÅ-MM-DD. Entry requirements General and specific entry requirements for third-cycle education according to Admissions Regulations and the general syllabus [allmän studieplan] for the subject area at hand. Learning outcomes After completion of the course the student is expected to be able to : Knowledge and understanding demonstrate knowledge and understanding of the subject areas of the course, discuss in detail key theories and issues in one or more of the subject areas of the course, Skills and abilities offer a detailed analysis of issues, lines of arguments or methods from the literature, select and define issues, lines of arguments or methods from the literature which are suitable for a short critical essay or a conference paper, Judgement and approach critically discuss, orally or in writing, questions, lines of arguments or methods that are used in the literature, critically assess the validity of the studied lines of argument. Course content Advanced applications of deep machine learning as applied to problems in natural language processing and artificial intelligence.

8 2 / 2 Teaching format Teaching is conducted in the form of individual reading tasks, exercises, and regular discussions. Primary language of instruction: English Assessment The course is assessed individually through a course project that implements the ideas and methods studied in the course. Grades The grading scale comprises Pass (G) or Fail (U). Course evaluation The course is evaluated with a written questionnaire or oral feedback. Bibliography is appended. Ian Goodfellow, Yoshua Bengio, and Aaron Courville (2016), Deep Learning, MIT Press, Cambridge, MA, Part 3 XXXnnnn [Svensk benämning], NN högskolepoäng / [Engelsk benämning], NN higher education credits

9 DEPARTMENT OF PHILOSOPHY, LINGUISTICS AND THEORY OF SCIENCE Reading course: Topics in Deep Machine Learning, 7,5 higher education credits Third Cycle/Forskarnivå Confirmation The course syllabus was confirmed by the Department of Philosophy, Linguistics and Theory of Science on ÅÅÅÅ-MM-DD to be valid from ÅÅÅÅ-MM-DD. Entry requirements General and specific entry requirements for third-cycle education according to Admissions Regulations and the general syllabus [allmän studieplan] for the subject area at hand. Learning outcomes After completion of the course the student is expected to be able to: Knowledge and understanding demonstrate knowledge and understanding of the subject areas of the course, discuss in detail key theories and issues in one or more subject areas of the course, Skills and abilities offer a detailed analysis of issues, lines of arguments or methods from the literature, select and define issues, lines of arguments and methods from the literature suitable for a short critical essay or a conference paper, Judgement and approach critically discuss, orally or in writing, questions, lines of arguments or methods from the literature, critically assess the validity of the studied lines of argument. Course content An introduction to the basic concepts of deep machine learning as applied to problems in natural language processing.

10 2 / 2 Teaching format Teaching is conducted in the form of individual reading tasks, exercises, and regular discussions. Primary language of instruction: English Assessment The course is assessed individually through a course project that implements the ideas and methods studied in the course. Grades The grading scale comprises Pass (G) or Fail (U). Course evaluation The course is evaluated by way of a written questionnaire or oral feedback. Bibliography is appended Ian Goodfellow, Yoshua Bengio, and Aaron Courville (2016), Deep Learning, MIT Press, Cambridge, MA, Parts 1 and 2 XXXnnnn [Svensk benämning], NN högskolepoäng / [Engelsk benämning], NN higher education credits

11 INSTITUTIONEN FÖR FILOSOFI, LINGVISTIK OCH VETENSKAPSTEORI Läskurs: Presentation (muntlig och skriftlig) av eget arbete vid vetenskaplig konferens eller för samhället i övrigt, 5 högskolepoäng Presentation (written and oral) of own work at scientific conference and for society as a whole, 5 higher education credits Fastställande Kursplanen är fastställd av Institutionen för Filosofi, Lingvistik och Vetenskapsteori ÅÅÅÅ-MM-DD att gälla från och med ÅÅÅÅ-MM-DD. Förkunskapskrav Grundläggande och specifik behörighet för utbildning på forskarnivå i enlighet med antagningsordningen och den allmänna studieplanen för det aktuella forskarutbildningsämnet. Lärandemål Efter avslutad kurs förväntas doktoranden kunna: Kunskap och förståelse på ett åskådligt sätt redogöra för centrala teoribildningar och frågeställningar inom något eller några av för avhandlingsarbetet relevanta ämnesområden, Färdighet och förmåga analysera och presentera några frågeställningar, argumentationslinjer eller resultat med relevans för det egna avhandlingsarbetet, välja och avgränsa frågeställningar, argumentationslinjer, forskningsresultat eller metoder som är lämpliga för ett konferensbidrag, Värderingsförmåga och förhållningssätt kritiskt diskutera några frågeställningar, argumentationslinjer, resultat eller metoder, kritiskt granska rimligheten i de studerade argumentationslinjerna.

12 2 / 2 Innehåll Kursen ger fördjupad kunskap och förmåga i att presentera egen forskning för en vetenskaplig publik eller för samhället i övrigt. Den innefattar både förberedelser och utförande av vetenskaplig eller populärvetenskaplig presentation. Undervisningsformer Undervisning sker genom individuella läsuppgifter och övningar. Undervisningsspråk: Engelska och svenska Former för bedömning Kursen examineras individuellt i skriftlig eller muntlig form. Betyg På kursen ges något av betygen Godkänd (G) och Underkänd (U). Kursvärdering Kursen utvärderas i skriftlig eller muntlig form. Övrigt Litteraturlistan finns i form av bilaga XXXnnnn [Svensk benämning], NN högskolepoäng / [Engelsk benämning], NN higher education credits