B2696 - LANGUAGE, TECHNOLOGY, RESEARCH I: COMPUTATIONAL THINKING

Conoscenze e abilità da conseguire

Lo/la studente/essa conosce gli elementi base (termini, concetti, metodi) del pensiero computazionale. È in grado di: comprendere e usare diversi tipi di dati e di strutture dati; progettare e implementare script e usare librerie standard per la manipolazione di dati numerici e testuali; applicare le conoscenze acquisite per la risoluzione di problemi con strumenti computazionali.

Contenuti

Il corso insegna a utilizzare alcuni degli strumenti di calcolo che possono aiutare un professionista della comunicazione linguistica e interculturale a risolvere i problemi. Presta particolare attenzione ai problemi su larga scala e all'implementazione di soluzioni che vanno oltre l'uso di software standard.

1. Introduzione al pensiero computazionale
   
2. Decomposizione
   
3. Riconoscimento di modelli
   
4. Abstrazione
   
5. Pensiero algoritmico
   
6. Introduzione alla programmazione
   
7. Quaderni Jupyter
   
8. Operazioni di base
   
9. Trattare il testo
   
10. I metodi
    
11. Le classi

Questa lezione rappresenta l'introduzione minima necessaria per seguire le lezioni sull'elaborazione del linguaggio naturale e la messa a punto della traduzione automatica (ad esempio, all'interno del curriculum Translation and Technology).

(contenuti post-editati dalla traduzione automatica con deepl)

Testi/Bibliografia

1. Church, K. W. (1994). Unix for poets . Notes of a course from the European Summer School on Language and Speech Communication, Corpus Based Methods.
2. Colburn, T. and G. Shute (2007). Abstraction in computer science. Minds and Machines, 17:169–184.
3. Erickson, J. (2019). Algorithms. Independently published
4. Hey, T. and G. Pápay (2014). The Computing Universe: A Journey through a Revolution.Cambridge University Press
5. Jeannet M Wing. Computational thinking. Commun. ACL 49(3) [1], 33-35 (2006)
6. Numerous Wikipedia articles on relevant topics

Metodi didattici

Una combinazione di lezioni e seminari interattivi. Gli studenti avranno un ruolo attivo nella lezione, proponendo e implementando soluzioni.

(contenuti post-editati dalla traduzione automatica con deepl)

Modalità di verifica e valutazione dell'apprendimento

50% progetto finale

50% programma finale

 

• 30-30L: Conoscenza approfondita dell'argomento, eccezionale capacità di applicare i concetti. La/o studente(ssa) esegue rigorosi esperimenti formali e produce una relazione eccezionale, di qualità paragonabile a una presentazione nell'ambito di una conferenza nazionale nel campo.
• 27-29: Conoscenza approfondita dell'argomento, solida capacità di applicare i concetti e buone capacità analitiche. La/o studente(ssa) esegue buoni esperimenti formali e produce una relazione di alta qualità.
• 24-26: Discreta conoscenza dell'argomento e ragionevole capacità di applicare correttamente i concetti. La/o studente(ssa) esegue alcuni esperimenti ragionevoli e produce una buona relazione.
• 21-23: Conoscenza adeguata, ma non approfondita, dell'argomento e parziale capacità di applicare i concetti. La/o studente(ssa) esegue esperimenti imprecisi e produce una relazione ragionevole.
• 18-20: Conoscenza appena adeguata e solo superficiale dell'argomento che denota scarsa coerenza nell'applicare i concetti. La/o studente(ssa) esegue esperimenti sbagliati e produce una relazione approssimativa.
• < 18 insufficiente: Conoscenza inadeguata dell'argomento, errori significativi nell'applicazione dei concetti. Sia gli esperimenti che la relazione sono di scarsa qualità.

Strumenti a supporto della didattica

Il materiale del corso (diapositive, codice) sarà reso disponibile su moodle. Gli studenti utilizzeranno anche i taccuini Jupyter per codificare in Python.

(contenuti post-editati dalla traduzione automatica con deepl)

 

Orario di ricevimento

Consulta il sito web di Luis Alberto Barron Cedeno