Corso di Natural Language Processing (NLP)

Modulo 1: Natural Language Processing (NLP) Cos'è il NLP: Definizione e panoramica Applicazioni e casi d'uso del NLP Storia e evoluzione del NLP Principali sfide nel trattamento del linguaggio naturale Modulo 2: Fondamenti di Linguistica Computazionale Struttura linguistica: fonologia, sintassi, semantica Morfologia e analisi delle parole Sintassi: alberi sintattici e regole grammaticali Semantica: significato e ambiguità linguistica Modulo 3: Preprocessing del Linguaggio Naturale Tokenizzazione Rimozione delle stopwords Lemmatizzazione e stemming Normalizzazione del testo Modulo 4: Modelli di Linguaggio Cos'è un modello di linguaggio N-grammi e modelli basati su probabilità Markov Chains e probabilità condizionata Modelli linguistici statistici Modulo 5: Rappresentazione del Testo Rappresentazione del testo tramite parole (Bag-of-Words, TF-IDF) Rappresentazione vettoriale (Word2Vec, GloVe, FastText) Rappresentazione semantica (embeddings di parole) Vantaggi e limitazioni delle diverse rappresentazioni Modulo 6: Riconoscimento Entità Nominate (NER) Definizione e obiettivi del NER Classificazione delle entità (persone, organizzazioni, luoghi) Tecniche di riconoscimento entità Applicazioni del NER Modulo 7: Analisi del Sentimento Cos'è l'analisi del sentiment Tecniche di sentiment analysis Utilizzo di modelli supervisionati e non supervisionati Applicazioni reali dell'analisi del sentiment Modulo 8: Classificazione del Testo la classificazione del testo Algoritmi di classificazione: Naive Bayes, SVM, Decision Trees Valutazione delle performance (Precision, Recall, F1-score) Applicazioni di classificazione del testo Modulo 9: Traduzione Automatica e Trasferimento del Linguaggio Tecniche di traduzione automatica (rule-based, statistica, neuronale) Modelli di traduzione neuronale (NMT) Approcci seq2seq (sequence-to-sequence) Traduzione automatica multilingue Modulo 10: Reti Neurali per il NLP le reti neurali Architetture delle reti neurali per NLP: RNN, LSTM, GRU Attenzione e meccanismi di self-attention Applicazioni delle reti neurali nel NLP Modulo 11: Word Embeddings e Reti Neurali Profonde Cos'è un word embedding Reti neurali per creare word embeddings Word2Vec, GloVe, FastText Applicazioni dei word embeddings Modulo 12: Modelli Pre-allenati nel NLP Cos'è un modello pre-allenato Introduzione a BERT, GPT, e Transformer Transfer learning nel NLP Vantaggi nell'uso dei modelli pre-allenati Modulo 13: Risposte Automatica e Chatbot Cos'è un chatbot Tecniche per la creazione di chatbot Approcci basati su regole vs. basati su AI Modelli di dialogo: RNN, LSTM, e Transformer Modulo 14: NLP per il Recupero delle Informazioni Cos'è il recupero delle informazioni Modelli di recupero basati su ricerca per parole chiave Approcci di ranking e ordinamento dei risultati NLP per la ricerca semantica Modulo 15: Applicazioni Avanzate e Prospettive Future NLP nelle neuroscienze e nell'intelligenza artificiale NLP e medicina: analisi dei testi clinici NLP per l’automazione dei processi aziendali Le sfide future nel NLP: intelligenza artificiale generale, etica e bias nei modelli NLP