Calendario e materiali per il corso di Linguistica Computazionale

Man mano che il corso procede, inserirò su questa pagina brevi riassunti di quanto fatto a lezione, le cose da fare per la settimana successiva, i miei handouts e i materiali disponibili in formato elettronico.

Presentazione e programma del corso

Manuali/introduzioni alla linguistica computazionale e ad aree limitrofe
(NB: La lettura dei libri in questa lista non è richiesta per questo corso; si tratta semplicemente di suggerimenti per chi voglia approfondire ulteriormente la materia.)

Calendario

• Settimana 0
• Settimana 1
• Settimana 2
• Settimana 3
• Settimana 4
• Settimana 5
• Settimana 6
• Settimana 7
• Settimana 8
• Settimana 9
• Settimana 10

Cosa abbiamo fatto

• Venerdì: Introduzione al corso, introduzione a Unix, primi comandi (ls, cd) e tecniche (tab completion, history...), handout Unix per Linguisti (vedi sotto nella sezione Materiali) fino alla sezione 4.1 compresa.

Da fare per la prossima settimana

• Se avete tempo, fate l'UNIX Tutorial for Beginners (raggiungibile attraverso i miei links) fino al tutorial 4 compreso. Mentre fate i tutorials, tenete presente queste note.
• Visitare tutti i siti nella sezione Unix-Like Operating Systems / Unix della mia lista di links.
• Ripassate quanto fatto in classe dall'handout Unix per Linguisti.
• Se volete leggere dell'altro materiale introduttivo e/o fare più esercizio, provate a iniziare Unix for Poets di Kenneth Church (scaricabile qui sotto nella sezione Materiali).

Materiali

• Unix per Linguisti
  L'handout introduttivo che seguiamo a lezione.
• Kenneth Church - Unix for Poets
  Alcune note su questo testo.

Cosa abbiamo fatto

• Lunedì: Breve ripasso, e handout Unix per Linguisti (vedi sezione Materiali della Settimana 0) fino alla sezione 4.3 compresa.
• Venerdì: Handout Unix per Linguisti fino alla sezione 5.1 compresa. Temi importanti: le pipes, le espressioni regolari (vedi anche l'Unix for Linguists Quick Reference qui sotto nella sezione materiali).

Da fare per la settimana prossima

• Come cerchereste le seguenti righe con le espressioni regolari?
1. Tutte le righe che contengono solo non-vocali
2. Tutte le righe che finiscono in una a seguita da una non-vocale
3. Tutte le righe di almeno tre caratteri che finiscono in una a seguita da una non-vocale
4. Tutte le righe che iniziano con una cifra, contengono almeno tre caratteri e NON finiscono in vocale maiuscola
5. DIFFICILE: Tutte le righe che contengono una e una sola a (preceduta e/o seguita da qualsiasi cosa, o da niente)
• Ripassate quanto fatto in classe dall'handout Unix per Linguisti.
• Nella sezione Unix Text Processing dei miei links, ci sono tre links a siti sulle espressioni regolari: visitateli!
• Se non l'avete ancora fatto, fate l'UNIX Tutorial for Beginners (raggiungibile attraverso i miei links) fino al tutorial 4 compreso. Mentre fate i tutorials, tenete presente queste note.
• Se non l'avete ancora fatto, visitate tutti i siti nella sezione Unix-Like Operating Systems / Unix della mia lista di links.
• Se volete leggere dell'altro materiale introduttivo e/o fare più esercizio, provate a iniziare Unix for Poets di Kenneth Church (vedi sezione Materiali della Settimana 0).

Materiali

• Unix for Linguists Quick Reference
  Un riassunto dei comandi piú importanti.

Cosa abbiamo fatto

• Lunedì: Esercizi sulle espressioni regolari, e inizio della parte sulla tokenizzazione dell'handout Unix per Linguisti (vedi sezione Materiali della Settimana 0).
• Venerdì: tokenizzazione e creazione di liste di frequenza dall'handout Unix per Linguisti (siamo arrivati alla sezione 7.1.2 compresa, saltando la parte sul comando comm).

Da fare per venerdì

• Andare avanti con l'handout Unix per Linguisti fino alla sezione 6.2 compresa.
• Se non li avete ancora fatti, fate gli esercizi suggeriti la settimana scorsa.

Da fare per la settimana prossima

• PRIMO COMPITO CON VOTO, da consegnarmi entro venerdì 29 novembre a lezione (via email, con le risposte direttamente nel messaggio o in un file di testo, o stampandolo e consegnandomelo a mano).
• Cominciate a leggere le note di teoria della probabilità scaricabili qui sotto nella sezione Materiali.

Materiali

• Probabilità: il minimo indispensabile
  Un'introduzione elementare ad alcuni aspetti della teoria della probabilità.

Cosa abbiamo fatto

• Lunedì: Ripasso di tokenizzazione e creazione di liste di frequenza; gawk (sezione 7.2 di Unix per Linguisti).
• Venerdì: Abbiamo finito l'handout Unix per Linguisti facendo la parte sulla creazione di bigrammi e trigrammi; abbiamo iniziato a parlare dell'estrazione di collocazioni, e stiamo facendo la sezione 4 dell'handout Cercare collocazioni e altre parole associate (vedi sezione Materiali qui sotto).

Da fare per venerdì

• Se non li avete già creati, create due files con le 100 parole più frequenti del Brown e del LOB.
• Continuate la lettura delle note di teoria della probabilità scaricabili dalla sezione Materiali della settimana 2.
• Ricordatevi che il primo compito con voto va consegnato entro venerdì! (Vedi sezione Materiali della settimana 2.)

Da fare per la prossima settimana

• Se non avete basi di teoria della probabilità, leggete le note su questo argomento scaricabili dalla sezione Materiali della settimana 2 (almeno fino alla sezione 7 compresa).
• Se volete fare pratica, provate gli esercizi suggeriti alla fine dell'handout Unix per Linguisti, in particolare quello sugli spettri di frequenze (un argomento che sarà in parte oggetto del prossimo compito con voto.

Materiali

• Cercare collocazioni e altre parole associate
  L'handout che seguiamo in classe.
• Soluzioni del compito 1
  NB: se avete fatto diversamente, non disperatevi. Ci sono altri modi di ottenere risultati analoghi, e comunque non tutti gli errori sono gravi!

Cosa abbiamo fatto

• Venerdì: Ho rapidamente discusso i risultati del primo compito, abbiamo finito l'handout Cercare collocazioni e altre parole associate (vedi sezione Materiali della settimana 3) e cominciato l'handout UCS quick start (vedi sezione Materiali qui sotto).

Da fare per la settimana prossima

• SECONDO COMPITO CON VOTO, da consegnarmi entro venerdì 12 novembre a lezione (via email, con le risposte direttamente nel messaggio o in un file di testo, o stampandolo e consegnandomelo a mano).
• Ripassare quanto fatto in classe.

Materiali

• UCS quick start
  L'handout che seguiamo in classe, con istruzioni pratiche per lavorare con il pacchetto UCS.

Cosa abbiamo fatto

• Lunedì: (Lezione tenuta da Sara Piccioni) Usando UCS, abbiamo estratto vari tipi di collocazioni da corpora di poesia e prosa di Lorca (l'handout di Sara Piccioni è disponibile qui sotto nella sezione Materiali).
• Venerdì: Ho discusso il secondo compito mettendo in risalto alcuni aspetti della statistica lessicale (vedi anche le soluzioni del compito nella sezione Materiali qui sotto), e abbiamo fatto esercizio con UCS seguendo l'handout UCS quick start (vedi sezione Materiali della settimana 4).

Da fare per venerdì

• SECONDO COMPITO CON VOTO, da consegnarmi entro venerdì 12 novembre a lezione (via email, con le risposte direttamente nel messaggio o in un file di testo, o stampandolo e consegnandomelo a mano).
• Provare ad usare i tools UCS.

Da fare per la settimana prossima

• Provare ad usare i tools UCS, basandosi sull'handout UCS quick start (vedi Materiali settimana 4).
• Procurarsi una Google API license key (istruzioni gentilmente fornite da Sara Piccioni).
• Cominciare a pensare al dominio sul quale si vuole lavorare per la tesina (per es., un dominio terminologico quale l'ulcera, la metereologia, ecc.)

Materiali

• Esplorare le collocazioni di Lorca con UCS
  L'handout di Sara Piccioni.
• Soluzioni del secondo compito con voto
  Come al solito, se avete fatto diversamente non vuol per forza dire che avete sbagliato, e se avete sbagliato non vuol per forza dire che gli errori commessi siano gravi!
• Due articoli classici sulle misure d'associazione:
• K. Church and P. Hanks. Word association norms, mutual information, and lexicography. Computational Linguistics 16 (1990).
• Ted Dunning. Accurate Methods for the Statistics of Surprise and Coincidence. Computational Linguistics 19 (1994).

Cosa abbiamo fatto

• Lunedì: Abbiamo fatto l'handout sul formato testo e l'handout sulla rete come corpus fino a 3.1 escluso (gli handout sono disponibili qui sotto nella sezione Materiali).
• Venerdì: Abbiamo finito l'handout sulla rete come corpus e cominciato quello su Estrarre Corpora e Termini dalla Rete (disponibile qui sotto nella sezione Materiali), che abbiamo seguito fino alla sezione sul tool collect_urls_from_google.pl compresa. Gli studenti hanno preparato liste di termini tipici del dominio su cui vogliono lavorare usando l'editor di testo pico.

Da fare per venerdì

• Venite a lezione con la Google API license key in formato elettronico (vedere le istruzioni alla Settimana 5 su come procurarsela).
• Scegliete un dominio e una lingua su cui volete lavorare (da soli o in gruppo) e preparate una breve lista di termini tipici del dominio. Per un esempio (da uno studio del dominio psichiatrico delle pseudo-seizures in inglese), vedete il file cl_shared_data/pseudoseizures/seeds. Se avete dubbi, contattatemi.

Da fare per la settimana prossima (e quella dopo)

• TERZO COMPITO CON VOTO, da consegnarmi entro venerdì 3 dicembre a lezione (via email, con le risposte direttamente nel messaggio o in un file di testo, o stampandolo e consegnandomelo a mano).
• Se non l'aveta già fatto, create una lista di 5-10 termini tipici del dominio su cui volete lavorare (in una lingua a scelta). È meglio creare la lista direttamente con pico.

Materiali

• Note sul Formato Testo
  Testo puro: un formato sano e genuino.
• La Rete come Corpus
  Scaricare dati linguistici da internet.
• Estrarre Corpora e Termini dalla Rete
  Guida pratica all'uso di BootCaT, UCS e command line tools per estrarre corpora specialistici e parole tipiche di un dominio dalla rete.
• Misure di Associazione e Parole Tipiche di un Corpus
  Usare le association measures per trovare le parole che caratterizzano un corpus.
• Due articoli recenti sulla rete come corpus:
• A. Kilgarriff and G. Grefenstette. Introduction to the Special Issue on the Web as Corpus. Computational Linguistics 29 (2003).
• F. Keller and M. Lapata. Using the Web to Obtain Frequencies for Unseen Bigrams. Computational Linguistics 29 (2003).
• La pagina dei BootCaT Tools.
• Articoli sui BootCaT tools:
• M. Baroni and S. Bernardini. BootCaT: Bootstrapping corpora and terms from the web. Proceedings of LREC 2004.
• M. Baroni and M. Ueyama. Retrieving Japanese specialized terms and corpora from the World Wide Web. Proceedings of KONVENS 2004.

Cosa abbiamo fatto

• Venerdì: Siamo andati avanti con l'handout su Estrarre Corpora e Termini dalla Rete (disponibile nella sezione Materiali della settimana 6) fino alla sezione sull tokenizzazione.

Da fare per la settimana prossima

• Ricordatevi la consegna del terzo compito con voto (venerdì 3 dicembre)!
• Procedere con la tokenizzazione del corpus specialistico.

Cosa abbiamo fatto

• Lunedì: Abbiamo fatto l'handout Misure di Associazione e Parole Tipiche di un Corpus e siamo andati avanti con l'handout su Estrarre Corpora e Termini dalla Rete fino alla sezione sulla scelta di nuovi seeds compresa (entrambi gli handouts sono disponibili nella sezione Materiali della settimana 6).
• Venerdì: Andiamo avanti con la procedura descritta nell'handout su Estrarre Corpora e Termini dalla Rete: gran parte degli studenti hanno estratto un set di nuovi seeds e stanno creando un secondo corpus.

Da fare per venerdì

• Ricordatevi la consegna del terzo compito con voto!

Da fare per la prossima settimana

• Procedere nella creazione del secondo corpus estratto dal web.

Cosa abbiamo fatto

• Lunedì: Ho presentato un'introduzione generale al part-of-speech tagging (vedi handout nella sezione Materiali qui sotto), e siamo andati avanti con la procedura d'estrazione di corpora e termini dalla rete.
• Venerdì: Procede l'estrazione di corpora e termini dalla rete. Alcuni studenti stanno creando il secondo corpus, ed estraendone nuovi seeds, mentre altri studenti hanno già fatto il tagging e stanno estraendo termini complessi (vedi handout qui sotto nella sezione Materiali).

Da fare per venerdì

• Finire la creazione del secondo corpus estratto dal web, ed estrarre nuovi seeds da questo corpus.

Da fare per la settimana prossima

• Idealmente, arrivare alla creazione di un corpus taggato.

Materiali

• Part-of-Speech Tagging e Lemmatizzazione. (L'handout seguito a lezione.)
• Ricerca di Termini Complessi in un Corpus Taggato (Alcuni semplici esempi che possono servirvi come modello.)
• S. Abney. Tagging and Partial Parsing. In: K. Church, S. Young & G. Bloothooft (eds.), Corpus-Based Methods in Language and Speech. Kluwer Academic Publishers, Dordrecht. 1996. (Un articolo di carattere introduttivo sul POS tagging e l'area limitrofa del partial parsing.)
• C. Jacquemin & D. Bourigault. Term Extraction and Automatic Indexing. In: R. Mitkov (ed.), Handbook of Computational Linguistics, Oxford University Press, Oxford. 2003. (Una rassegna sui metodi di estrazione automatica di termini.)

Cosa abbiamo fatto

• Lunedì e venerdì: Procede l'estrazione di corpora e termini (anche complessi) dalla rete.

Da fare per la settimana prossima

• Finire la procedura.

Torna alla homepage di Linguistica Computazionale 2004/05