UD03 · Actividades entregables¶
Los cinco cuentan para la nota del RA3
Los cinco notebooks forman el 40 % de actividades del RA3. Cada uno se califica sobre 10 con su rúbrica, que tienes más abajo. EX2 y EX5 llevan además una parte escrita que cubre los criterios sobre el papel del lingüista, el trabajo cooperativo y la formación del investigador (RA3-b, RA3-e, RA3-f) — léela antes de empezar, porque cuenta en la rúbrica.
Dos entornos
EX1 y EX3 van en el contenedor de la unidad. EX2, EX4 y EX5 usan transformers o audio: van en Colab.
Identificadores de dataset que ya no funcionan
Los nombres clásicos de algunos conjuntos de datos de Hugging Face ya no resuelven: datasets exige el formato namespace/name. EX2 usa SetFit/TREC-QC en vez de trec, y EX4 usa stanfordnlp/imdb en vez de imdb.
EX5: tres trampas verificadas
pipeline("translation", ...) ya no existe como tarea genérica (usa AutoTokenizer + AutoModelForSeq2SeqLM), cargar el audio con la ruta directa puede pedir ffmpeg (carga con librosa en su lugar) y el modelo de traducción necesita sentencepiece. Todo explicado en el propio notebook.
EX1 · Representación de texto, por dos caminos¶
Tokenizar, quitar stopwords y construir una bolsa de palabras y un vector tf-idf, resuelto con NLTK y con TextBlob — el mismo ejercicio, dos librerías.
| Recurso | Enlace |
|---|---|
| Notebook | UD03_EX1_representacion_texto.ipynb |
Se entrega: el notebook con los cuatro ejercicios resueltos por uno de los dos caminos —tú eliges— y una comparación breve con el otro.
EX2 · Clasificador de preguntas¶
Repite el proceso de N02 —de la bolsa de palabras a un clasificador entrenado— sobre un conjunto de preguntas, en vez de noticias.
| Recurso | Enlace |
|---|---|
| Notebook | UD03_EX2_clasificador_preguntas.ipynb |
Se entrega: el notebook con el clasificador entrenado y evaluado, y una sección de conclusiones que responda: ¿qué decisiones de anotación tomaría un lingüista con este conjunto de preguntas? ¿Qué perfiles harían falta si el proyecto creciera? ¿Qué formación necesitarías tú para mejorar este sistema?
EX3 · NLTK y Python: etiquetado con cess_esp¶
Procesa el corpus español anotado cess_esp: separa entrenamiento y prueba, reduce el conjunto de etiquetas morfosintácticas de 289 a un conjunto manejable, y valida con validación cruzada.
| Recurso | Enlace |
|---|---|
| Notebook | UD03_EX3_nltk_python.ipynb |
Se entrega: el notebook con los seis apartados resueltos.
EX4 · Análisis de sentimiento en reseñas de cine¶
Transfer learning: parte del DistilBERT de N03 —afinado para tuits— y adáptalo a reseñas de IMDb, un dominio distinto.
| Recurso | Enlace |
|---|---|
| Notebook | UD03_EX4_sentimiento_imdb.ipynb |
Se entrega: el notebook con el modelo afinado y evaluado sobre las reseñas.
EX5 · Asistente virtual por voz¶
Encadena tres modelos —voz a texto, traducción y texto a voz— en una sola función que reciba un audio y devuelva otro.
| Recurso | Enlace |
|---|---|
| Notebook | UD03_EX5_asistente_virtual.ipynb |
| Audio de prueba | OpenTheDoor.wav |
Se entrega: el notebook con la función conjunta funcionando de punta a punta, y una sección final que responda: ¿qué papel tendría un lingüista revisando las transcripciones y traducciones de este asistente? ¿Qué formación necesitaría el equipo si el asistente tuviera que funcionar en varios idiomas?
Rúbricas¶
Son las rúbricas reales del curso. Las cinco tareas se califican sobre 10; los puntos de cada rúbrica se escalan a esa nota.
EX1 · Representación de texto (8 puntos)¶
Cuatro criterios de 2 puntos, uno por ejercicio (correcta 2 · parcial 1 · incorrecta 0,5).
EX2 · Clasificador de preguntas (18 puntos)¶
| Criterio | Puntos |
|---|---|
| Preparación del entorno | 2 |
| Cargar el dataset | 2 |
| Tokenización | 2 |
| Bolsa de palabras | 2 |
| Word embeddings | 2 |
| Crear el modelo neuronal | 2 |
| Entrenar | 2 |
| Evaluación | 2 |
| Conclusiones o comentarios | 2 |
El último criterio es donde se puntúa la parte escrita sobre el lingüista y la cooperación.
EX3 · NLTK y cess_esp (10 puntos)¶
Cinco criterios de 2 puntos, apartados a) a e).
EX4 · Sentimiento en IMDb (10 puntos)¶
| Criterio | Puntos |
|---|---|
| Cargar el dataset | 2 |
| Evaluación previa | 2 |
| Definir las etiquetas | 2 |
| Afinar el modelo (fine-tuning) | 2 |
| Inferencia | 2 |
EX5 · Asistente virtual (8 puntos)¶
| Criterio | Puntos |
|---|---|
| Modelo voz a texto | 2 |
| Modelo de traducción | 2 |
| Modelo texto a voz | 2 |
| Función conjunta con todos los pasos | 2 |
El cuarto criterio es el que demuestra RA3-g: encadenar los tres modelos en un sistema, no usarlos por separado.
Volver a la UD03 · Actividades guiadas · Talleres: T01 · T02