Text Mining 2401-AI-TM-2WSI-s2

Podstawowym zadaniem podejmowanym podczas realizacji zajęć jest zapoznanie uczestników z metodami i technikami eksploracji danych tekstowych oraz przetwarzania języka naturalnego (ang. Natural Language Processing). Zajęcia obejmują takie zagadnienia jak analiza sentymentu, wykrywanie tematów, oraz analizę dużych zbiorów danych tekstowych. Przeprowadzone ćwiczenia zakładają samodzielną pracę, z możliwością wsparcia procesu programowania o wykorzystanie rozwiązań sztucznej inteligencji (m.in. ChatGPT, Gemini Google).

Tematy realizowane na zajęciach:
1. Przygotowanie środowiska pracy (narzędzia, wymagane biblioteki programistyczne)
2. Czyszczenie danych, tokenizacja, analiza częstości (z asystą sztucznej inteligencji)
3. Analiza trendów (z asystą sztucznej inteligencji)
4. Programy analizujące dane z Internetu (z asystą sztucznej inteligencji)
5-6. Porównywanie tekstów (z asystą sztucznej inteligencji)
7. Programy do analizy tekstów (m.in. Orange Data Mining)

Całkowity nakład pracy studenta

Godziny realizowane z udziałem nauczycieli (godz.): - udział w laboratoriach – 15 godz. Czas poświęcony na pracę indywidualną studenta ( godz.): - przygotowanie do laboratoriów – 30 godz. - wykonanie zadań zaliczeniowych – 20 godz. - czytanie literatury – 25 godz. Łącznie: 90 godz. (3 ECTS)

Efekty uczenia się - wiedza

W1: Zna pojęcia oraz zaawansowane techniki i narzędzia wykorzystywane w analizie danych tekstowych - K_W02, K_W03, K_W07, K_W09, K_W11, K_W15 W2: Ma wiedzę na temat metod reprezentacji tekstu, algorytmów klasyfikacji oraz eksploracji danych tekstowych - K_W02, K_W03, K_W07, K_W09, K_W11, K_W15

Efekty uczenia się - umiejętności

U1: Potrafi przygotować dane tekstowe do analizy, przeprowadzić czyszczenie, tokenizację i wektoryzację tekstu - K_U01, K_U02, K_U07, K_U08, K_U09, K_U14, K_U15 U2: Umie zastosować wybrane metody analizy tekstu oraz dobrać odpowiednie ku temu biblioteki programistyczne - K_U01, K_U02, K_U07, K_U08, K_U09, K_U14, K_U15

Efekty uczenia się - kompetencje społeczne

K1: Potrafi pracować zespołowo przy realizacji projektów analizy danych tekstowych - K_K01, K_K02 K2: Jest świadomy wyzwań i zagrożeń etycznych związanych z automatyczną analizą treści tekstowych - K_K01, K_K02, K_K05, K_K09

Metody dydaktyczne

Metoda dydaktyczna podająca: - wykład konwersacyjny. Metody dydaktyczne poszukujące: - projektowa, - laboratoryjna, - ćwiczeniowa.

Metody dydaktyczne podające

- wykład konwersatoryjny

Metody dydaktyczne poszukujące

- laboratoryjna
- ćwiczeniowa
- projektu

Rodzaj przedmiotu

przedmiot fakultatywny

Wymagania wstępne

Podstawowa umiejętność programowania w języku Python, podstawy przetwarzania danych.

Koordynatorzy przedmiotu

W cyklu 2025/26Z:

Veslava Osińska

W cyklu 2023/24Z:

Mariusz Jarocki

W cyklu 2024/25Z:

Mariusz Jarocki

Kryteria oceniania

1. Obecność i aktywność w zajęciach dydaktycznych (możliwa jedna nieobecność) – U1, U2, K1, K2
2. Indywidualne zadania praktyczne (projekty) z wykorzystaniem poznanych rozwiązań – W1, W2, U1, U2
3. Prezentacja indywidualnych zadań (i/lub odpowiedź z zakresu wykorzystanych w nim rozwiązań) – W1, W2, U1, U2, K1, K2

Kryteria oceniania:
- aktywność na zajęciach (do 20% oceny)
- indywidualne zadania realizowane podczas zajęć, związane z przetwarzaniem zbiorów tekstowych (do 80% oceny)

Ostateczna ocena z zajęć:
5 – 90% i więcej
4+ – 80% do 89%
4 – 70% do 79%
3+ – 60% do 69%
3 – 51% do 59%
2 – 50% i poniżej

Praktyki zawodowe

nie dotyczy

Literatura

Literatura podstawowa:
1. George A., Python Text Mining, BPB Publications 2022.
2. Danneman N. H., Heimann R., Mishra P., Makhabel B., Mining the Social Web. Data Mining Facebook, Twitter, LinkedIn, Instagram, GitHub, and More, O'Reilly 2018.
3. Avinash P., Ashish K., Mastering Text Mining with R. Extract and recognize your text data, Packt Publishing 2016.
4. Dzieciątko M., Spinczyk D., Text Mining: metody, narzędzia i zastosowania, Warszawa 2016.
5. McKinney W., Python w analizie danych. Przetwarzanie danych za pomocą pakietów pandas i numpy oraz środowiska ipython, Gliwice 2018.
6. Mitchell R., Ekstrakcja danych z językiem Python. Pozyskiwanie danych z internetu, Gliwice 2019.
7. ChatGPT [online] [dostęp: 23.08.2024]. Dostępny w World Wide Web: https://chatgpt.com/.
8. Gemini [online] [dostęp: 12.03.2025]. Dostępny w World Wide Web: https://gemini.google.com/.

Literatura uzupełniająca:
1. Bird S., Klein E., Loper E., Natural Language Processing with Python
– Analyzing Text with the Natural Language Toolkit [online] [Dostęp: 20.05.2023]. Dostępny w World Wide Web: https://www.nltk.org/book/.

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu 2401-AI-TM-2WSI-s2 w USOSweb