Guía docente de la asignatura

Transcripción

1 Guía dcente de la asignatura Guía dcente de la asignatura Asignatura Materia WEB SEMÁNTICA Y EXTRACCIÓN DE INFORMACIÓN SISTEMAS INTELIGENTES Y BASADOS EN CONOCIMIENTO Módul Titulación MÁSTER EN INGENIERÍA INFORMÁTICA Plan 510 Códig Perid de impartición 2º CUATRIMESTRE Tip/Carácter OPTATIVA Nivel/Cicl MÁSTER Curs 1º Crédits ECTS Lengua en que se imparte Prfesr/es respnsable/s Dats de cntact ( , teléfn ) Hrari de tutrías Departament 3 ECTS CASTELLANO MERCEDES MARTÍNEZ GONZÁLEZ, TEODORO CALONGE CANO TELÉFONO: ext / ext mercedes@infr.uva.es, tedr@infr.uva.es Véase Centrs Campus de Valladlid Escuela Técnica Superir de Ingeniería Infrmática Tutrías INFORMÁTICA Universidad de Valladlid 1 de 12

2 Guía dcente de la asignatura 1. Situación / Sentid de la Asignatura 1.1 Cntextualización La asignatura se enmarca dentr de la materia Sistemas Inteligentes y Basads en el Cncimient y es de carácter ptativ. La asignatura abrda ls prblemas relacinads cn la cmpartición de semántica en la web (web semántica) y su extracción a partir de la infrmación dispnible en fuentes diversas para pder ser representada cnvenientemente y cmpartida en la web. Prblemas tds ells relacinads cn la explsión de infrmación presente en la web cuy valr implícit aún n se es capaz de expltar cnvenientemente. Sin embarg, ls avances de ls últims añs han trasladad este camp de un ámbit exclusivamente investigadr, a la presencia cada vez mayr de empresas dedicadas a prducir slucines tecnlógicas en este camp, así cm de inversines realizadas pr las grandes empresas dedicadas a la manipulación de infrmación en la web en este tip de tecnlgías y aplicacines (Freebase, de Ggle;...). 1.2 Relación cn tras materias 1.3 Prerrequisits Aunque n es imprescindible, es cnveniente tener un buen cncimient de mdels de dats y lenguajes de cnsulta, prgramación, análisis léxic y sintáctic de lenguajes frmales, y, finalmente, fundaments de las técnicas básicas de recncimient de patrnes. Universidad de Valladlid 2 de 12

3 Guía dcente de la asignatura 2. Cmpetencias 2.1 Generales CG1 CET5 Códig Descripción Capacidad para pryectar, calcular y diseñar prducts, prcess e instalacines en tds ls ámbits de la ingeniería infrmática. Capacidad para analizar las necesidades de infrmación que se plantean en un entrn y llevar a cab en tdas sus etapas el prces de cnstrucción de un sistema de infrmación CET9 Capacidad para aplicar métds matemátics, estadístics y de inteligencia artificial para mdelar, diseñar y desarrllar aplicacines, servicis, sistemas inteligentes y sistemas basads en el cncimient 2.2 Específicas CA1 CA2 Códig Descripción Capacidad para cmprender y respnder a las necesidades de representación de infrmación, cncimient y semántica en entrns de cmpartición masiva de infrmación, tales cm la web Capacidad para analizar las necesidades de extracción de infrmación, y aplicar las técnicas adecuadas para extraer infrmación de fuentes de dats n estructuradas 3. Objetivs R1 R2 R3 R4 Códig Descripción Entender ls rets de interperabilidad que supne la cmpartición de infrmación en la web Ser capaz de cncer y utilizar ls mdels de dats asciads a la web para cmpartir dats y semántica Cncer y saber aplicar las tecnlgías (estándares, lenguajes de cnsulta, trs) asciads a ests mdels de dats Recncer las necesidades de extracción de infrmación en un prblema real y prpner slucines tecnlógicas capaces Universidad de Valladlid 3 de 12

4 Guía dcente de la asignatura de reslverla R5 R6 Seleccinar la técnica de extracción de infrmación más adecuada para cada prblema Cmbinar diferentes técnicas básicas para btener sistemas más eficientes de extracción de infrmación Universidad de Valladlid 4 de 12

5 Guía dcente de la asignatura 4. Tabla de dedicación del estudiante a la asignatura ACTIVIDADES PRESENCIALES HORAS Clases teóric-prácticas (T/M) 14 Clases prácticas de aula (A) Labratris (L) 10 Prácticas externas, clínicas de camp Seminaris (S) 4 Tutrías grupales (TG) Evaluación (fuera del perid ficial de exámenes) 2 ACTIVIDADES NO PRESENCIALES Estudi y trabaj autónm individual Estudi y trabaj autónm grupal HORAS Ttal presencial 30 Ttal n presencial Universidad de Valladlid 5 de 12

6 Guía dcente de la asignatura 5. Blques temátics Blque 1: Web Semántica Carga de trabaj en crédits ECTS: 1.5 a. Cntextualización y justificación En este blque se presentan ls prblemas abrdads en el cntext cncid cm Web Semántica Web 3.0, y las slucines tecnlógicas que cnstituyen la base de ls desarrlls actuales en este camp, así cm ls que se espera tengan ampli impact en un futur próxim. El alumn entrará en cntact cn ls desarrlls y aplicacines que ya utilizan estas slucines para frecer a sus usuaris mejr acces a infrmación en la web. Existen así buscadres semántics que permiten a sus usuaris ir más allá de la búsqueda pr cadenas, mashup semántics que integran infrmación en base a sus prpiedades, facilitand así la lcalización de infrmación dispersa acerca de una fuente, per liberand también al usuari de la tarea de integrarla, redes que facilitan la relación entre nds de infrmación en base a prpiedades cn semántica bien definida, etc. Tdas estas slucines están integrándse en la web actual, y sn un pilar determinante de sus psibilidades futuras de frecer servicis avanzads a uns usuaris cada vez más exigentes. b. Objetivs de aprendizaje R1 R2 R3 Códig Descripción Entender ls rets de interperabilidad que supne la cmpartición de infrmación en la web Ser capaz de cncer y utilizar ls mdels de dats asciads a la web para cmpartir dats y semántica Cncer y saber aplicar las tecnlgías (estándares, lenguajes de cnsulta, trs) asciads a ests mdels de dats c. Cntenids TEMA 1: Intrducción al prblema de la infrmación en la web y sus slucines 1.1 Deficiencias actuales del acces a la infrmación en la web. 1.2 Web de dats: semántica en la web. 1.2 Estudi de aplicacines reales de web semántica y su valr añadid. 1.3 Perspectivas de desarrlls futurs. TEMA 2: Tecnlgías para la representación, manipulación y cmpartición de semántica en la Web Universidad de Valladlid 6 de 12

7 Guía dcente de la asignatura 2.1 Mdels de dats usads para la representación de semántica en la web. Sus psibilidades y us en cass reales. 2.2 Acces a la infrmación semántica: lenguajes de cnsulta, estrategias para la integración. 2.3 Cass de estudi: dats enlazads, mashup semántics. d. Métds dcentes Sesines de aula: Clases magistrales participativas y expsitivas Aprendizaje basad en prblemas Estudis de cas. Labratri y Prácticas supervisadas: Reslución de prblemas y cass práctics. Aprendizaje basad en prblemas. Aprendizaje cperativ. Estudis del cas. Métd de pryects. Seminaris: Aprendizaje basad en prblemas Estudis del cas Aprendizaje cperativ e. Plan de trabaj Semana Cntenid Actividad presencial Actividad n presencial Semana 1 Semana 2 Semana 3 Semana 4 Semana 5 Semana 6 Semana 7 Tema 1 Sesines en aula y labratri: 4h. Temas 1 y 2 Sesines en aula y Estudi y slución de prblemas. labratri: 4 h. Estudi de cass. Tema 2 Sesines en aula y Estudi y slución de prblemas. labratri: 4 h. Estudi de cass. Tema 2 Seminari (2h) Seguimient del trabaj práctic del blque 1. Universidad de Valladlid 7 de 12

8 Guía dcente de la asignatura Semana 8 Seminari (1h) Seguimient del trabaj práctic del blque 1. f. Evaluación INSTRUMENTO/PROCEDIMIENTO PESO EN LA NOTA FINAL OBSERVACIONES Entrega práctica 40% Valración del trabaj realizad en el labratri 5% Participación en las actividades 5% La práctica cnsistirá en un pryect, que se irá revisand en sucesivs hits hasta llegar a la entrega final. Cada tema tiene una serie de ejercicis que ls alumns deben realizar para cmprbar su nivel de cmprensión y evlución. g. Bibligrafía básica Grigris Antniu, Paul Grth, Fran Van Harmelen, Rinke Hesktra. A Semantic Web Primer. 3ª ed. MIT Press Liyang Yu. A Develper s Guide t the Semantic Web. Springer Verlag Tm Heath and Christian Bizer. Linked Data: Evlving the Web int a Glbal Data Space (1st editin). Synthesis Lectures n the Semantic Web: Thery and Technlgy, 1:1, Mrgan & Claypl h. Bibligrafía cmplementaria Sitis web dedicads a web semántica, linked data, etc. i. Recurss necesaris Librs de text, presentacines audivisuales, material dispnible en el aula virtual de la asignatura. Blque 2: Extracción de Infrmación Carga de trabaj en crédits ECTS: 1.5 Universidad de Valladlid 8 de 12

9 Guía dcente de la asignatura a. Cntextualización y justificación Debid a la ingente cantidad de dats generads y mstrads en la web, se hace precis establecer una extracción de semántica, para su psterir asimilación y publicación. Para ell, se recurre a técnicas nuevas, per, muchas de ellas, prcedentes de aprximacines ya cncidas, cm la Tería de Autómatas y Lenguajes Frmales, cn el bjetiv de btener una estructura semántica, aunque incmpleta, per que sirva de base para psterires refinamients. Existen ejempls de trabajs en esta línea, cm ls que se pueden derivar de la DBpedia. A partir de esta fase, se aplicarían técnicas de recncimient de patrnes, que si bien pdrían haberse plantead desde un principi, la amplia experiencia en este camp acnseja el us de tras técnicas que sirvan de preprcesad (extracción semántica), en aras de un mejr rendimient del sistema glbal. b. Objetivs de aprendizaje R4 R5 R6 Códig Descripción Recncer las necesidades de extracción de infrmación en un prblema real y prpner slucines tecnlógicas capaces de reslverla Seleccinar la técnica de extracción de infrmación más adecuada para cada prblema Cmbinar diferentes técnicas básicas para btener sistemas más eficientes de extracción de infrmación c. Cntenids TEMA 3: Intrducción al tratamient de cadenas: 3.1 Definicines: alfabet, cadenas, lenguajes, términs, distancia entre cadenas. 3.2 Representación de lenguajes: autómatas y gramáticas. 3.3 Representación de distribucines de cadenas mediante autómatas y gramáticas Autómatas prbabilístics Gramáticas independientes del cntext prbabilísticas Distancia entre gramáticas Distancia entre distribucines de cadenas TEMA 4: Técnicas de aprendizaje autmátic de lenguajes y su aplicación en la extracción de infrmacón 4.1 Identificación de lenguajes. 4.2 Aprendizaje a partir de text. Universidad de Valladlid 9 de 12

10 Guía dcente de la asignatura 4.3. Aprendizaje activ aplicad a la Web Semántica 4.4 Aprendizaje de distribucines de cadenas. 4.5 Aprendizaje de text crregid mediante aprximacines prbabilísticas. d. Métds dcentes Sesines de aula: Clases magistrales participativas y expsitivas Aprendizaje basad en prblemas Estudis de cas. Labratri y Prácticas supervisadas: Reslución de prblemas y cass práctics. Aprendizaje basad en prblemas. Aprendizaje cperativ. Estudis del cas. Métd de pryects. Seminaris: Aprendizaje basad en prblemas Estudis del cas Aprendizaje cperativ e. Plan de trabaj Semana Cntenid Actividad presencial Actividad n presencial Semana 1 Semana 2 Semana 3 Semana 4 Tema 3 Sesines en aula y Estudi y slución de prblemas. labratri: 2h. Estudi de cass. Semana 5 Tema 3 Sesines en aula y Estudi y slución de prblemas. labratri: 4h Estudi de cass. Semana 6 Tema 4 Sesines en aula y Estudi y slución de prblemas. labratri: 4h Estudi de cass. Semana 7 Tema 4 Sesines en aula y Estudi y slución de prblemas. Semana 8 Tema 4 labratri: 4h Seminari (1h) Evaluación (2h) Estudi de cass. Seguimient del trabaj práctic del blque 2. Universidad de Valladlid 10 de 12

11 Guía dcente de la asignatura f. Evaluación INSTRUMENTO/PROCEDIMIENTO PESO EN LA NOTA FINAL OBSERVACIONES Entrega práctica 40% Valración del trabaj realizad en el labratri 5% Participación en las actividades 5% La práctica cnsistirá en un pryect, que se irá revisand en sucesivs hits hasta llegar a la entrega final. Cada tema tiene una serie de ejercicis que ls alumns deben realizar para cmprbar su nivel de cmprensión y evlución. g. Bibligrafía básica Clin de la Higuera. Grammatical Inference: Learning Autmata and Grammars. Ed. Cambridge University Press, Pibeau, T.; Saggin, H.; Piskrski, J.; Yangarber, R. Multi-surce, Multilingual Infrmatin Extractin and Summarizatin. Series: Thery and Applicatins f Natural Language Prcessing. Ed. Springer-Verlag, 2013 h. Bibligrafía cmplementaria Sitis web dedicads a web semántica, linked data, etc. i. Recurss necesaris Librs de text, presentacines audivisuales, material dispnible en el aula virtual de la asignatura. Labratri cn rdenadres persnales dtads de analizadres léxics y sintáctics, cm lex y yacc, pr ejempl. Asimism, se precisa acces a herramientas, dnde estén implementadas técnicas de aprendizaje autmátic, cm Weka, MatlLab u Octave. Universidad de Valladlid 11 de 12

12 Guía dcente de la asignatura 6. Tempralización (pr blques temátics) BLOQUE TEMÁTICO CARGA ECTS PERIODO PREVISTO DE DESARROLLO Blque 1: Web Semántica 1.5 ECTS Semanas 1 a 4 Blque 2: Extracción de Infrmación 1.5 ECTS Semanas 4 a 8 7. Sistema de calificacines Tabla resumen INSTRUMENTO/PROCEDIMIENTO PESO EN LA NOTA FINAL OBSERVACIONES Entrega práctica blque I 40% Entrega práctica blque II 40% Valración del trabaj realizad en el labratri 10% Participación en las actividades 10% La práctica cnsistirá en un pryect, que se irá revisand en sucesivs hits hasta llegar a la entrega final. La práctica cnsistirá en un pryect, que se irá revisand en sucesivs hits hasta llegar a la entrega final. Cada tema tiene una serie de ejercicis que ls alumns deben realizar para cmprbar su nivel de cmprensión y evlución. CRITERIOS DE CALIFICACIÓN Cnvcatria rdinaria: Ls criteris de calificación sn ls que resultan de aplicar el sistema de calificacines indicad en el apartad 7 Cnvcatria extrardinaria: Mism sistema que en la cnvcatria rdinaria. Universidad de Valladlid 12 de 12