Introduction to Applied Linguistics

2024/2025

Academic Year

RUS

Instruction in Russian

6

ECTS credits

Delivered at:

Department of Philology

Course type:

Compulsory course

When:

1 year, 3, 4 module

Instructor

Kolmogorova, Anastasia

Программа дисциплины

Аннотация

Целью дисциплины является знакомство студентов с основными компонентами и основными направлениями специальности (машинный перевод, информационный поиск, извлечение информации, диалоговые системы, анализ тональностей, квантитативная лингвистика и др.). В результате освоения дисциплины студенты получат базовое представление об основных направлениях современной прикладной лингвистики.

Цель освоения дисциплины

• Сформировать представления о различных способах работы с данными.
• Ознакомить с методами визуализации результатов анализа датасетов.
• Развить умение писать программы с использованием методов статистического, кластерного и регрессионного анализа.

Планируемые результаты обучения

• Студент создает пуассоновскую регрессию, позволяющую предсказывать результаты показателя X на основе имеющихся данных показателя Y.
• Студент применяет PCA CA, MCA, MDS, t-SNE для анализа различных датасетов и уменьшения размерности данных.
• Студент применяет методы визуализации сетевых данных c помощью пакетов, ggiraph
• Студент применяет трансформации данных: tidyverse, dplyr; освоит работу со строками и текстами: tidytext, udpipe; сможет осуществлять сбор данных из интернета: rvest. OCR.
• Студент производит вычисления, применяя знания по описательной и симуляционной статистике, z-преобразованию, используя пакет анализа RLing
• Студент анализирует данные путём применения инструментов, время, карты, OCR.
• Студент освоит работу с базовыми объектами языка R, функциями, пакетами, а также научится создавать собственные функции и циклы.
• Студент применяет методы визуализации сетевых данных c помощью пакетов ggplot и ggplot2
• Студент решает задачи по программированию, демонстрируя умение анализировать строки тексты и весь текст с помощью пакета ling
• Студент способен создавать метрики расстояний, k-means, иерархические кластеризации, визуализации деревьев.

Содержание учебной дисциплины

• Основы R
• Трансформация данных
• Визуализация и представление данных
• Работа со строками и текстом
• Необычные источники данных: время, карты, OCR
• Основы статистики
• Регрессионный анализ
• Кластеризация
• Методы уменьшения размерности кластеров
• Сетевой анализ

Элементы контроля

• Самостоятельная работа
  В течение курса студенты выполняют 7 домашних работ, которые обсуждаются на занятии, после обсуждения могут быть доработаны и представлены для оценивания. В домашней работе студенту предлагается решить локальную исследовательскую задачу, использовав обсуждавшиеся в лекции методы и инструментарий.
• Экзамен
  Экзамен проводится в устной форме: студент отвечает на один из проблематизирующих вопросов из заранее предоставленного для подготовки списка.

Промежуточная аттестация

• 2024/2025 4th module
  0.35 * Самостоятельная работа + 0.35 * Самостоятельная работа + 0.3 * Экзамен

Список литературы

Рекомендуемая основная литература

• Stowell, S. (2014). Using R for Statistics. Berkeley, CA: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1174344

Рекомендуемая дополнительная литература

• Toomey, D. (2014). R for Data Science. Birmingham, UK: Packt Publishing. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=933765

Авторы

• Колмогорова Анастасия Владимировна
• Кессель Ксения Витальевна