Libri UniversitariZoom 100%

Prof. Fabio Tamburini: i libri dei suoi insegnamenti

Scheda docente sul sito dell’ateneo ›
Insegnamenti trovati: 12
Bologna 12 insegnamenti
Facoltà: Studi umanistici

Prof. Fabio Tamburini: Linguistica Computazionale (1) (Lm)

7,1difficoltà
Bologna · Facoltà: Studi umanistici · Semiotica (LM-92)
Di cosa si tratta: Natural Language Processing, con problemi e prospettive, apre il quadro insieme a un ripasso di linguistica dei corpora, modelli probabilistici e n-grammi. Seguono il trattamento automatico delle lingue, le tecniche di machine learning e le metodologie di valutazione dei prodotti della disciplina. Tokenizzazione, sentence splitting e livelli di analisi linguistica in prospettiva computazionale completano l'impianto.

Dettagli corso

1º annoCorso: LM-92
CFU: 6Canale: Unico

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Slide, dispense e articoli scaricabili direttamente dal sito web del corso .
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 2 libri
Tamburini – Neural Models for the Automatic Processing of…ISBN 9788855535762
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
274 pagine
Difficoltà
7,1
Martin – Speech and Language ProcessingISBN 9780135041963
Tempo di studio del libro≈ 11,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
1024 pagine
Difficoltà
9
Domande possibili all’esame
  1. Che cosa si intende per corpus e quale ruolo ha nell'analisi linguistica?
  2. Come si può spiegare la legge di Zipf con esempi tratti da un testo?
  3. Quali sono le differenze tra linguaggio naturale e linguaggi formali?
  4. In che modo si costruisce un'annotazione linguistica affidabile?
  5. Quali metodi permettono di validare un'annotazione prodotta da più persone?
  6. Come funziona un classificatore applicato a testi in lingua naturale?
  7. Quali usi hanno le espressioni regolari nell'elaborazione dei testi?
  8. Che cosa si intende per grammatica formale e quali tipi di linguaggi definisce?
  9. In che senso la logica dei predicati del primo ordine serve a rappresentare il significato?
  10. Come si può descrivere il funzionamento del lambda calcolo nell'analisi del linguaggio?
  11. Quali risorse lessicali computazionali permettono di organizzare il significato delle parole?
  12. Che cosa afferma la semantica distribuzionale sul rapporto tra parole e contesti?
  13. Come si può misurare la somiglianza semantica tra due termini?
  14. Quali problemi pone la probabilità nella modellazione del linguaggio?
  15. In che modo la tokenizzazione influisce sui risultati di un'analisi automatica?
  16. Quali differenze esistono tra un approccio basato su regole e uno basato su dati?
  17. Come si valuta la qualità di un sistema di traduzione automatica?
  18. Quali sono le fasi di un'analisi morfologica e sintattica di un testo?
  19. Perché i corpora annotati sono importanti per la ricerca linguistica?
  20. Come si può impostare un progetto di ricerca su un tema di linguistica computazionale?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Fabio Tamburini: Natural Language Processing (1) (Lm)

4,8difficoltà
Bologna · Facoltà: Studi umanistici · Semiotica (LM-92)
Di cosa si tratta: Gli N-grams e i Language Models aprono lo studio dell'elaborazione del linguaggio naturale, insieme ai richiami di probabilità, alle Deep Neural Networks e alla valutazione delle applicazioni. Seguono la costruzione dei corpora, concordanze e collocazioni, il recupero testuale e la fonetica computazionale, con analisi del parlato nel dominio della frequenza, Spectrograms e riconoscimento vocale.

Dettagli corso

1º annoCorso: LM-92
CFU: 6Canale: Unico
🕒 Orario lezioni
  • Lun14–16LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)
  • Mar13–15LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)
  • Mer16–18LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Slides, handouts and papers downloadable from the course web site. · The course contents for students not attending the lessons are the same. However, s tudents not able to attend the lessons are strongly invited to contact the teacher to get some explanations and avoid any misunderstanding about the course…
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 3 libri
Tamburini – Neural Models for the Automatic Processing of…ISBN 9788855535762
Tempo di studio del libro≈ 4 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
274 pagine
Difficoltà
5,4
Martin – Speech and Language ProcessingISBN 9780135041963
Tempo di studio del libro13 settimane (3 mesi)
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
1024 pagine
Difficoltà
9
Clark – The Handbook of Computational Linguistics and Natural…ISBN 9781405155816
Tempo di studio del libro≈ 11 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
775 pagine
Difficoltà
5,4
Domande possibili all’esame
  1. Che cosa si intende per modello n-gramma e quale problema risolve?
  2. Come si calcola la probabilità di una sequenza di parole con una catena di Markov?
  3. Quali sono i principali problemi dell'elaborazione del linguaggio naturale?
  4. Che cosa misura la perplessità di un modello linguistico?
  5. Quali differenze esistono tra fonetica acustica e fonetica articolatoria?
  6. Come si rappresenta un segnale vocale nel dominio della frequenza?
  7. Che cosa si intende per spettrogramma e a che cosa serve nell'analisi del parlato?
  8. Come funziona il riconoscimento del parlato basato su modelli di Markov nascosti?
  9. Quali operazioni morfologiche si applicano a una parola per ricavarne il lemma?
  10. Che cosa si intende per morfologia a due livelli?
  11. Quali vantaggi offre un lessico statico rispetto alla derivazione morfologica automatica?
  12. Che cosa fa un etichettatore di parti del discorso?
  13. Quali differenze esistono tra un parser a costituenti e un parser a dipendenze?
  14. Che cosa si intende per treebank e come si usa nel confronto tra parser?
  15. Come si valutano le applicazioni di elaborazione del linguaggio naturale?
  16. Quali misure di associazione tra parole permettono di individuare le collocazioni?
  17. Che cosa si intende per concordanza e a quale scopo si usa nei corpora?
  18. Come si costruisce un corpus per l'elaborazione linguistica?
  19. Quali difficoltà pone l'ambiguità lessicale nell'analisi del testo?
  20. Quale ruolo hanno le espressioni regolari nella tokenizzazione?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Fabio Tamburini: Text Retrieval, Analysis And Mining (1) (Lm)

7,1difficoltà
Bologna · Facoltà: Studi umanistici · Digital Humanities and Digital Knowledge (LM-43)
Di cosa si tratta: Creazione, gestione e interrogazione di corpora: rappresentatività, annotazioni e querying, legge di Zipf, web come corpus, tokenisation, sentence splitting ed espressioni regolari. Seguono annotazioni multimodali con annotation graph, corpora XML, pacchetti di interrogazione, casi di studio su corpora scritti e parlati di italiano e inglese e Machine Learning applicato all'analisi testuale.

Dettagli corso

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Slides, handouts and papers downloadable from the course web site. · The course contents for students not attending the lessons are the same. However, s tudents not able to attend the lessons are strongly invited to contact the teacher to get some explanations and avoid any misunderstanding about the course…
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 5 libri
McEnery – Corpus LinguisticsISBN 9780521547369
Tempo di studio del libro≈ 3,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
294 pagine
Difficoltà
7,1
Martin – Speech and Language ProcessingISBN 9780135041963
Tempo di studio del libro≈ 11,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
1024 pagine
Difficoltà
9
Tamburini – Neural Models for the Automatic Processing of…ISBN 9788855535762
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
274 pagine
Difficoltà
7,1
Neapolitan – Chapman and HallISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
7,1
Deep LearningISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
7,1
Domande possibili all’esame
  1. Che cosa si intende per corpus linguistico e quali criteri ne garantiscono la rappresentatività?
  2. Quali differenze esistono tra un corpus annotato e uno non annotato?
  3. Che cosa afferma la legge di Zipf e come si osserva nei testi naturali?
  4. In che modo il web può essere considerato un corpus e quali limiti presenta?
  5. Quali operazioni comprende la tokenizzazione di un testo?
  6. Che cosa si intende per segmentazione in frasi e quali difficoltà presenta?
  7. Come si utilizzano le espressioni regolari per estrarre informazioni da un testo?
  8. Quali differenze esistono tra recupero dell'informazione ed estrazione dell'informazione?
  9. Quali vantaggi offre il formato XML nella rappresentazione di corpora annotati?
  10. Che cosa si intende per annotazione multimodale e in quali casi è utile?
  11. Come si misura la frequenza di un termine in un corpus?
  12. Quali sono le principali misure di rilevanza usate nel text retrieval?
  13. Come si confronta un approccio basato su parole chiave con uno basato sul contesto?
  14. Quali strumenti permettono di interrogare un corpus con query complesse?
  15. Che cosa si intende per modello a sacco di parole e quali limiti presenta?
  16. Come si valuta la qualità di un sistema di recupero dei testi?
  17. Quali passaggi compongono una pipeline di analisi testuale?
  18. In che modo la rimozione delle stopword influisce sull'analisi di un testo?
  19. Quali differenze esistono tra analisi quantitativa e analisi qualitativa dei testi?
  20. Quali caratteristiche rendono utile un confronto tra corpora italiani e corpora inglesi?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Fabio Tamburini: Trattamento Automatico delle Lingue Naturali (Lm)

9,5difficoltà
Bologna · Facoltà: Studi umanistici · Italianistica e culture letterarie europee (LM-14)
Di cosa si tratta: Natural Language Processing, con problemi e prospettive, linguistica dei corpora, modelli probabilistici e n-grammi aprono lo studio del trattamento automatico delle lingue. Seguono tecniche di machine learning, metodologie di valutazione in linguistica computazionale, tokenizzazione e sentence splitting, livelli di analisi linguistica da un punto di vista computazionale.

Dettagli corso

🕒 Orario lezioni
  • Lun, Ven11–13AULA 3 - Accesso via del Guasto 3
  • Mar15–17AULA 4 - Accesso via del Guasto 3

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Slide, dispense e articoli scaricabili direttamente dal sito web del corso .
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 2 libri
Tamburini – Neural Models for the Automatic Processing of…ISBN 9788855535762
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
274 pagine
Difficoltà
9,5
Martin – Speech and Language ProcessingISBN 9780135041963
Tempo di studio del libro≈ 11,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
1024 pagine
Difficoltà
9
Domande possibili all’esame
  1. Che cosa si intende per elaborazione automatica del linguaggio naturale e quali problemi risolve?
  2. Come si segmenta un testo in frasi e parole prima di applicare un'analisi linguistica?
  3. Che cosa distingue un analizzatore morfologico da uno sintattico?
  4. Quali tecniche permettono di etichettare automaticamente le parti del discorso in un testo?
  5. Come si costruisce un corpus annotato e a cosa serve nella ricerca linguistica?
  6. Quali sono i principali problemi della disambiguazione lessicale nei sistemi automatici?
  7. In che modo i modelli statistici rappresentano la probabilità di una sequenza di parole?
  8. Quali differenze esistono tra un approccio basato su regole e uno basato sui dati?
  9. Come si valuta la qualità di un sistema di riconoscimento di entità nel testo?
  10. Che cosa si intende per rappresentazione vettoriale delle parole e a cosa serve?
  11. Quali difficoltà pone la traduzione automatica tra lingue con strutture molto diverse?
  12. In che modo un sistema può estrarre informazioni da un testo non strutturato?
  13. Quali metriche si usano per confrontare le prestazioni di due sistemi di elaborazione del linguaggio?
  14. Come si gestisce la variabilità ortografica nel trattamento automatico dei testi italiani?
  15. Che ruolo hanno le risorse lessicali come le reti semantiche nell'elaborazione dei testi?
  16. Quali problemi pone la gestione dell'ironia e del sarcasmo nell'analisi automatica?
  17. Come si può verificare che un corpus sia rappresentativo di una varietà linguistica?
  18. In che modo l'annotazione manuale migliora l'addestramento dei sistemi automatici?
  19. Quali considerazioni etiche accompagnano l'uso di sistemi che elaborano testi in lingua naturale?
  20. Come si rappresentano le relazioni sintattiche in un albero di dipendenze?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Fabio Tamburini: Trattamento Automatico delle Lingue Naturali (Lm)

9,5difficoltà
Bologna · Facoltà: Studi umanistici · Dati, metodi e modelli per le scienze linguistiche (LM-39)
Di cosa si tratta: Natural Language Processing, con problemi e prospettive, linguistica dei corpora, modelli probabilistici e n-grammi aprono lo studio del trattamento automatico delle lingue. Seguono tecniche di machine learning, metodologie di valutazione in linguistica computazionale, tokenizzazione e sentence splitting, livelli di analisi linguistica da un punto di vista computazionale.

Dettagli corso

🕒 Orario lezioni
  • Lun, Ven11–13AULA 3 - Accesso via del Guasto 3
  • Mar15–17AULA 4 - Accesso via del Guasto 3

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Slide, dispense e articoli scaricabili direttamente dal sito web del corso .
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 2 libri
Tamburini – Neural Models for the Automatic Processing of…ISBN 9788855535762
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
274 pagine
Difficoltà
9,5
Martin – Speech and Language ProcessingISBN 9780135041963
Tempo di studio del libro≈ 11,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
1024 pagine
Difficoltà
9
Domande possibili all’esame
  1. Che cosa si intende per elaborazione automatica del linguaggio naturale e quali problemi risolve?
  2. Come si segmenta un testo in frasi e parole prima di applicare un'analisi linguistica?
  3. Che cosa distingue un analizzatore morfologico da uno sintattico?
  4. Quali tecniche permettono di etichettare automaticamente le parti del discorso in un testo?
  5. Come si costruisce un corpus annotato e a cosa serve nella ricerca linguistica?
  6. Quali sono i principali problemi della disambiguazione lessicale nei sistemi automatici?
  7. In che modo i modelli statistici rappresentano la probabilità di una sequenza di parole?
  8. Quali differenze esistono tra un approccio basato su regole e uno basato sui dati?
  9. Come si valuta la qualità di un sistema di riconoscimento di entità nel testo?
  10. Che cosa si intende per rappresentazione vettoriale delle parole e a cosa serve?
  11. Quali difficoltà pone la traduzione automatica tra lingue con strutture molto diverse?
  12. In che modo un sistema può estrarre informazioni da un testo non strutturato?
  13. Quali metriche si usano per confrontare le prestazioni di due sistemi di elaborazione del linguaggio?
  14. Come si gestisce la variabilità ortografica nel trattamento automatico dei testi italiani?
  15. Che ruolo hanno le risorse lessicali come le reti semantiche nell'elaborazione dei testi?
  16. Quali problemi pone la gestione dell'ironia e del sarcasmo nell'analisi automatica?
  17. Come si può verificare che un corpus sia rappresentativo di una varietà linguistica?
  18. In che modo l'annotazione manuale migliora l'addestramento dei sistemi automatici?
  19. Quali considerazioni etiche accompagnano l'uso di sistemi che elaborano testi in lingua naturale?
  20. Come si rappresentano le relazioni sintattiche in un albero di dipendenze?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Fabio Tamburini: Modelli Neurali per L'Elaborazione del Linguaggio Naturale (1) (Lm)

4,8difficoltà
Bologna · Facoltà: Studi umanistici · Dati, metodi e modelli per le scienze linguistiche (LM-39)
Di cosa si tratta: Classificazione e clustering con Scikit-Learn, tramite SVC, KNN e alberi decisionali, richiamano il machine learning. L'addestramento delle reti profonde considera funzioni di attivazione, funzioni di loss, ottimizzazione e calcolo automatico del gradiente nel framework PyTorch. Seguono esperimenti con Multi-Layer Perceptron e reti ricorrenti, la struttura del Transformer, BERT, pre-training e fine-tuning.

Dettagli corso

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Slide, dispense e articoli scaricabili direttamente dal sito web del corso.
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 3 libri
Tamburini – Neural Models for the Automatic Processing of…ISBN 9788855535762
Tempo di studio del libro≈ 4 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
274 pagine
Difficoltà
4,8
Raschka – Machine Learning with Pytorch and Scikit-learnISBN 9781801819312
Tempo di studio del libro≈ 10,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
741 pagine
Difficoltà
7,6
Stevens – Deep Learning With PytorchISBN 9781633438859
Tempo di studio del libro≈ 7 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
514 pagine
Difficoltà
4,8
Domande possibili all’esame
  1. Che cosa si intende per rete neurale e come elabora le rappresentazioni linguistiche?
  2. In che modo gli embedding delle parole catturano informazioni semantiche?
  3. Quali differenze esistono tra una rete ricorrente e un modello basato su meccanismi di attenzione?
  4. Come si addestra un modello neurale per la classificazione di testi?
  5. Che cosa si intende per funzione di perdita e quale ruolo ha nell'apprendimento?
  6. Quali problemi comporta il sovradattamento quando si addestra un modello su pochi dati linguistici?
  7. In che modo la tokenizzazione influisce sulla qualità di un modello del linguaggio?
  8. Come si valuta la prestazione di un modello di traduzione automatica neurale?
  9. Quali vantaggi offre l'apprendimento per trasferimento in ambito linguistico?
  10. Che cosa si intende per modello linguistico pre-addestrato e quali applicazioni consente?
  11. Quali sono i principali limiti dei modelli neurali nella comprensione del significato?
  12. In che modo si possono interpretare le decisioni di un modello neurale sul testo?
  13. Quali bias possono emergere nei dati di addestramento di un modello linguistico?
  14. Come si costruisce un corpus adatto all'addestramento di un modello per il riconoscimento di entità?
  15. Quale differenza esiste tra apprendimento supervisionato e non supervisionato nel trattamento del testo?
  16. In che modo la normalizzazione dei dati migliora la convergenza dell'addestramento?
  17. Quali metriche si utilizzano per valutare un sistema di estrazione di informazioni dal testo?
  18. Come si gestisce la lunghezza variabile delle sequenze in un modello neurale?
  19. Quali considerazioni etiche accompagnano l'uso di modelli linguistici su larga scala?
  20. Quali competenze matematiche e informatiche sono necessarie per studiare i modelli neurali del linguaggio?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Fabio Tamburini: Natural Language Processing (1) (Lm)

4,8difficoltà
Bologna · Facoltà: Studi umanistici · Digital Humanities and Digital Knowledge (LM-43)
Di cosa si tratta: Gli N-grams e i Language Models aprono lo studio dell'elaborazione del linguaggio naturale, insieme ai richiami di probabilità, alle Deep Neural Networks e alla valutazione delle applicazioni. Seguono la costruzione dei corpora, concordanze e collocazioni, il recupero testuale e la fonetica computazionale, con analisi del parlato nel dominio della frequenza, Spectrograms e riconoscimento vocale.

Dettagli corso

🕒 Orario lezioni
  • Lun14–16LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)
  • Mar13–15LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)
  • Mer16–18LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Slides, handouts and papers downloadable from the course web site. · The course contents for students not attending the lessons are the same. However, s tudents not able to attend the lessons are strongly invited to contact the teacher to get some explanations and avoid any misunderstanding about the course…
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 3 libri
Tamburini – Neural Models for the Automatic Processing of…ISBN 9788855535762
Tempo di studio del libro≈ 4 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
274 pagine
Difficoltà
4,8
Martin – Speech and Language ProcessingISBN 9780135041963
Tempo di studio del libro13 settimane (3 mesi)
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
1024 pagine
Difficoltà
9
Clark – The Handbook of Computational Linguistics and Natural…ISBN 9781405155816
Tempo di studio del libro≈ 11 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
775 pagine
Difficoltà
4,8
Domande possibili all’esame
  1. Che cosa si intende per modello n-gramma e quale problema risolve?
  2. Come si calcola la probabilità di una sequenza di parole con una catena di Markov?
  3. Quali sono i principali problemi dell'elaborazione del linguaggio naturale?
  4. Che cosa misura la perplessità di un modello linguistico?
  5. Quali differenze esistono tra fonetica acustica e fonetica articolatoria?
  6. Come si rappresenta un segnale vocale nel dominio della frequenza?
  7. Che cosa si intende per spettrogramma e a che cosa serve nell'analisi del parlato?
  8. Come funziona il riconoscimento del parlato basato su modelli di Markov nascosti?
  9. Quali operazioni morfologiche si applicano a una parola per ricavarne il lemma?
  10. Che cosa si intende per morfologia a due livelli?
  11. Quali vantaggi offre un lessico statico rispetto alla derivazione morfologica automatica?
  12. Che cosa fa un etichettatore di parti del discorso?
  13. Quali differenze esistono tra un parser a costituenti e un parser a dipendenze?
  14. Che cosa si intende per treebank e come si usa nel confronto tra parser?
  15. Come si valutano le applicazioni di elaborazione del linguaggio naturale?
  16. Quali misure di associazione tra parole permettono di individuare le collocazioni?
  17. Che cosa si intende per concordanza e a quale scopo si usa nei corpora?
  18. Come si costruisce un corpus per l'elaborazione linguistica?
  19. Quali difficoltà pone l'ambiguità lessicale nell'analisi del testo?
  20. Quale ruolo hanno le espressioni regolari nella tokenizzazione?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Fabio Tamburini: Natural Language Processing (1) (Lm)

4,8difficoltà
Bologna · Facoltà: Studi umanistici · Semiotica (LM-92)
Di cosa si tratta: Gli N-grams e i Language Models aprono lo studio dell'elaborazione del linguaggio naturale, insieme ai richiami di probabilità, alle Deep Neural Networks e alla valutazione delle applicazioni. Seguono la costruzione dei corpora, concordanze e collocazioni, il recupero testuale e la fonetica computazionale, con analisi del parlato nel dominio della frequenza, Spectrograms e riconoscimento vocale.

Dettagli corso

2º annoCorso: LM-92
CFU: 6Canale: Unico
🕒 Orario lezioni
  • Lun14–16LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)
  • Mar13–15LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)
  • Mer16–18LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Slides, handouts and papers downloadable from the course web site. · The course contents for students not attending the lessons are the same. However, s tudents not able to attend the lessons are strongly invited to contact the teacher to get some explanations and avoid any misunderstanding about the course…
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 3 libri
Tamburini – Neural Models for the Automatic Processing of…ISBN 9788855535762
Tempo di studio del libro≈ 4 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
274 pagine
Difficoltà
5,4
Martin – Speech and Language ProcessingISBN 9780135041963
Tempo di studio del libro13 settimane (3 mesi)
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
1024 pagine
Difficoltà
9
Clark – The Handbook of Computational Linguistics and Natural…ISBN 9781405155816
Tempo di studio del libro≈ 11 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
775 pagine
Difficoltà
5,4
Domande possibili all’esame
  1. Che cosa si intende per modello n-gramma e quale problema risolve?
  2. Come si calcola la probabilità di una sequenza di parole con una catena di Markov?
  3. Quali sono i principali problemi dell'elaborazione del linguaggio naturale?
  4. Che cosa misura la perplessità di un modello linguistico?
  5. Quali differenze esistono tra fonetica acustica e fonetica articolatoria?
  6. Come si rappresenta un segnale vocale nel dominio della frequenza?
  7. Che cosa si intende per spettrogramma e a che cosa serve nell'analisi del parlato?
  8. Come funziona il riconoscimento del parlato basato su modelli di Markov nascosti?
  9. Quali operazioni morfologiche si applicano a una parola per ricavarne il lemma?
  10. Che cosa si intende per morfologia a due livelli?
  11. Quali vantaggi offre un lessico statico rispetto alla derivazione morfologica automatica?
  12. Che cosa fa un etichettatore di parti del discorso?
  13. Quali differenze esistono tra un parser a costituenti e un parser a dipendenze?
  14. Che cosa si intende per treebank e come si usa nel confronto tra parser?
  15. Come si valutano le applicazioni di elaborazione del linguaggio naturale?
  16. Quali misure di associazione tra parole permettono di individuare le collocazioni?
  17. Che cosa si intende per concordanza e a quale scopo si usa nei corpora?
  18. Come si costruisce un corpus per l'elaborazione linguistica?
  19. Quali difficoltà pone l'ambiguità lessicale nell'analisi del testo?
  20. Quale ruolo hanno le espressioni regolari nella tokenizzazione?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Fabio Tamburini: Neural Models For Natural Language Processing (1) (Lm)

4,8difficoltà
Bologna · Facoltà: Studi umanistici · Digital Humanities and Digital Knowledge (LM-43)
Di cosa si tratta: Machine learning e deep learning vengono ripassati con classificazione e clustering in Scikit-Learn, tramite SVC, KNN e alberi decisionali. Poi funzioni di attivazione, funzioni di loss, ottimizzazione e calcolo automatico del gradiente in PyTorch portano a perceptron multistrato e reti ricorrenti, fino alla struttura del Transformer, a BERT e GPT, a pre-training e fine-tuning, con BERT sul benchmark GLUE.

Dettagli corso

🕒 Orario lezioni
  • Lun14–16LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)
  • Mar13–15LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)
  • Mer16–18LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Slide, dispense e articoli scaricabili direttamente dal sito web del corso.
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 3 libri
Tamburini – Neural Models for the Automatic Processing of…ISBN 9788855535762
Tempo di studio del libro≈ 4 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
274 pagine
Difficoltà
4,8
Raschka – Machine Learning with Pytorch and Scikit-learnISBN 9781801819312
Tempo di studio del libro≈ 10,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
741 pagine
Difficoltà
7,6
Stevens – Deep Learning With PytorchISBN 9781633438859
Tempo di studio del libro≈ 7 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
514 pagine
Difficoltà
4,8
Domande possibili all’esame
  1. Che cosa si intende per rappresentazione vettoriale delle parole e quale vantaggio offre?
  2. Quali differenze esistono tra rappresentazioni statiche e rappresentazioni contestuali delle parole?
  3. Come si rappresenta una frase come sequenza di vettori?
  4. Che cosa si intende per modelli sequenziali e quali problemi affrontano?
  5. Quali limiti presentano le architetture ricorrenti nel trattamento di frasi lunghe?
  6. Come funziona il meccanismo di attenzione nel collegare parti di una frase?
  7. Che cosa si intende per architettura codificatore-decodificatore?
  8. Quali vantaggi offrono i modelli basati su trasformatori rispetto a quelli ricorrenti?
  9. Come si valuta la qualità di una traduzione prodotta da un sistema automatico?
  10. Quali metriche misurano la corrispondenza tra una traduzione automatica e un riferimento umano?
  11. Che cosa si intende per sovradattamento in un modello di elaborazione del testo?
  12. In che modo la regolarizzazione riduce l'errore su dati mai osservati?
  13. Quali differenze esistono tra la classificazione di testi e la generazione di testi?
  14. Come si prepara un corpus per addestrare un modello di elaborazione del testo?
  15. Quali tecniche di tokenizzazione sottoparola sono usate nei modelli moderni?
  16. Che cosa si intende per funzione di perdita e quale ruolo ha nell'addestramento?
  17. Come si confrontano modelli di dimensioni diverse per lo stesso compito?
  18. Quali ragioni giustificano l'uso di rappresentazioni pre-addestrate?
  19. Quali problemi di distorsione possono emergere nei dati testuali usati per addestrare un modello?
  20. Come si analizza il comportamento di un modello attraverso i casi di errore?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Fabio Tamburini: Trattamento Automatico delle Lingue Naturali (Lm)

9,5difficoltà
Bologna · Facoltà: Studi umanistici · Dati, metodi e modelli per le scienze linguistiche (LM-39)
Di cosa si tratta: Natural Language Processing, con problemi e prospettive, linguistica dei corpora, modelli probabilistici e n-grammi aprono lo studio del trattamento automatico delle lingue. Seguono tecniche di machine learning, metodologie di valutazione in linguistica computazionale, tokenizzazione e sentence splitting, livelli di analisi linguistica da un punto di vista computazionale.

Dettagli corso

🕒 Orario lezioni
  • Lun, Ven11–13AULA 3 - Accesso via del Guasto 3
  • Mar15–17AULA 4 - Accesso via del Guasto 3

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Slide, dispense e articoli scaricabili direttamente dal sito web del corso .
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 2 libri
Tamburini – Neural Models for the Automatic Processing of…ISBN 9788855535762
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
274 pagine
Difficoltà
9,5
Martin – Speech and Language ProcessingISBN 9780135041963
Tempo di studio del libro≈ 11,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
1024 pagine
Difficoltà
9
Domande possibili all’esame
  1. Che cosa si intende per elaborazione automatica del linguaggio naturale e quali problemi risolve?
  2. Come si segmenta un testo in frasi e parole prima di applicare un'analisi linguistica?
  3. Che cosa distingue un analizzatore morfologico da uno sintattico?
  4. Quali tecniche permettono di etichettare automaticamente le parti del discorso in un testo?
  5. Come si costruisce un corpus annotato e a cosa serve nella ricerca linguistica?
  6. Quali sono i principali problemi della disambiguazione lessicale nei sistemi automatici?
  7. In che modo i modelli statistici rappresentano la probabilità di una sequenza di parole?
  8. Quali differenze esistono tra un approccio basato su regole e uno basato sui dati?
  9. Come si valuta la qualità di un sistema di riconoscimento di entità nel testo?
  10. Che cosa si intende per rappresentazione vettoriale delle parole e a cosa serve?
  11. Quali difficoltà pone la traduzione automatica tra lingue con strutture molto diverse?
  12. In che modo un sistema può estrarre informazioni da un testo non strutturato?
  13. Quali metriche si usano per confrontare le prestazioni di due sistemi di elaborazione del linguaggio?
  14. Come si gestisce la variabilità ortografica nel trattamento automatico dei testi italiani?
  15. Che ruolo hanno le risorse lessicali come le reti semantiche nell'elaborazione dei testi?
  16. Quali problemi pone la gestione dell'ironia e del sarcasmo nell'analisi automatica?
  17. Come si può verificare che un corpus sia rappresentativo di una varietà linguistica?
  18. In che modo l'annotazione manuale migliora l'addestramento dei sistemi automatici?
  19. Quali considerazioni etiche accompagnano l'uso di sistemi che elaborano testi in lingua naturale?
  20. Come si rappresentano le relazioni sintattiche in un albero di dipendenze?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Scorri di lato: 10 insegnamenti →
Facoltà: Scienze

Prof. Fabio Tamburini: Natural Language Processing

5,4difficoltà
Bologna · Facoltà: Scienze · Informatica (LM-18)
Di cosa si tratta: Fondamenti di elaborazione del linguaggio naturale: linguistica computazionale, corpora, language modeling, classificazione di documenti, PoS tagging, riconoscimento delle entità nominali e parsing. Seguono semantica distribuzionale e word embeddings, reti neurali per il testo, estrazione di informazioni, question answering, traduzione automatica e laboratorio con strumenti come NLTK, spaCy e gensim.

Dettagli corso

1º annoCorso: LM-18
CFU: 6Canale: Unico
🕒 Orario lezioni
  • Lun14–16LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)
  • Mar13–15LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)
  • Mer16–18LAB INF AFFRESCHI (Accesso da Via Zamboni, 34)

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Slides, handouts and papers downloadable from the course web site. · The course contents for students not attending the lessons are the same. However, s tudents not able to attend the lessons are strongly invited to contact the teacher to get some explanations and avoid any misunderstanding about the course…
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 3 libri
Tamburini – Neural Models for the Automatic Processing of…ISBN 9788855535762
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
274 pagine
Difficoltà
5,4
Martin – Speech and Language ProcessingISBN 9780135041963
Tempo di studio del libro≈ 11,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
1024 pagine
Difficoltà
9
Clark – The Handbook of Computational Linguistics and Natural…ISBN 9781405155816
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
775 pagine
Difficoltà
5,4
Domande possibili all’esame
  1. Che cosa distingue la tokenizzazione a livello di parola da quella a livello di sottoparola?
  2. Come si rappresenta un documento con il modello a sacco di parole e quali limiti presenta?
  3. Quali vantaggi offrono i vettori di parole densi rispetto alle rappresentazioni one-hot?
  4. Come si valuta la qualità di un sistema di traduzione automatica con il punteggio BLEU?
  5. Che cosa misura la perplessità di un modello linguistico e come si interpreta?
  6. In che modo il meccanismo di attenzione permette di pesare le parti rilevanti di una sequenza?
  7. Quali differenze esistono tra etichettatura delle parti del discorso e riconoscimento di entità nominate?
  8. Come si costruisce un corpus annotato per addestrare un classificatore di sentimento?
  9. Che cosa si intende per ambiguità lessicale e quali tecniche la risolvono?
  10. Perché la lemmatizzazione è spesso preferita allo stemming in compiti di recupero dell'informazione?
  11. Come si calcola la frequenza inversa di un termine nel modello TF-IDF?
  12. Quali compiti richiedono l'analisi sintattica a dipendenze e che cosa restituisce?
  13. In che modo un modello linguistico n-gram stima la probabilità di una parola dato il contesto?
  14. Quali problemi si incontrano nella gestione di parole fuori vocabolario durante l'elaborazione?
  15. Come funziona la distanza di modifica tra due stringhe e dove viene impiegata?
  16. Perché la coerenza del discorso è difficile da valutare con metriche automatiche?
  17. Quali differenze esistono tra estrazione di informazioni e riassunto automatico di testi?
  18. Come si misura la similarità semantica tra due frasi con rappresentazioni vettoriali?
  19. Che cosa comporta l'uso di corpora sbilanciati per la valutazione di un classificatore testuale?
  20. Quali considerazioni etiche emergono nell'elaborazione automatica di dati linguistici personali?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Facoltà: Lingue e Letterature, Traduzione e Interpretazione

Prof. Fabio Tamburini: Computational Linguistics (Lm)

8,8difficoltà
Bologna · Facoltà: Lingue e Letterature, Traduzione e Interpretazione · Language, Society and Communication (LM-38)
Di cosa si tratta: Trattamento automatico delle lingue, con problemi e prospettive, richiami di linguistica dei corpora, modelli probabilistici e n-grammi e metodologie di valutazione dei prodotti della linguistica computazionale, apre il quadro. Seguono tokenizzazione, sentence splitting e i livelli di analisi linguistica da un punto di vista computazionale, fino alla fonetica computazionale.

Dettagli corso

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Slide, dispense e articoli scaricabili direttamente dal sito web del corso .
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 2 libri
Tamburini – Neural Models for the Automatic Processing of…ISBN 9788855535762
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
274 pagine
Difficoltà
8,8
Martin – Speech and Language ProcessingISBN 9780135041963
Tempo di studio del libro≈ 11,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
1024 pagine
Difficoltà
9
Domande possibili all’esame
  1. Che cosa si intende per corpus annotato e quali vantaggi offre rispetto a un corpus grezzo?
  2. Come funziona un modello di Markov nascosto applicato all'etichettatura morfosintattica?
  3. Quali differenze esistono tra parsing a costituenti e parsing a dipendenze?
  4. Che cosa sono le grammatiche context-free probabilistiche e come si stimano le loro probabilità?
  5. In che modo si calcola una misura di associazione tra due parole in un corpus?
  6. Quale ruolo svolge la regola di Bayes nei modelli statistici della lingua?
  7. Che cosa si intende per word sense disambiguation e quali approcci si possono adottare?
  8. Come si costruisce una concordanza e a cosa serve nell'analisi linguistica?
  9. Quali differenze esistono tra chunking e shallow parsing?
  10. Che cosa rappresentano WordNet e FrameNet nel trattamento automatico del linguaggio?
  11. Come si valuta la qualità di un sistema di tagging con precisione, richiamo e F-measure?
  12. Perché l'entropia è utile nella modellazione statistica del linguaggio?
  13. Quali problemi pone la gestione delle parole fuori vocabolario nei modelli linguistici?
  14. Come si codifica un testo secondo le convenzioni di annotazione standard?
  15. Quali sono i vantaggi dei metodi statistici rispetto a quelli basati su regole?
  16. In che modo le collocazioni vengono individuate automaticamente in un corpus?
  17. Che cosa si intende per modello n-gram e quali limiti presenta?
  18. Come si può rappresentare la struttura sintattica di una frase con un albero di derivazione?
  19. Quali tecniche si usano per ridurre la sparsità dei dati in un modello linguistico?
  20. Quale ruolo hanno le valutazioni su dati di test separati dai dati di addestramento?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Domande frequenti Libri, programma ed esami del prof. Fabio Tamburini a Bologna

Che libro usa il prof. Fabio Tamburini per Linguistica Computazionale (1) (Lm) a Bologna?

Per Linguistica Computazionale (1) (Lm) (Canale unico) indica come obbligatorio: Tamburini – Neural Models for the Automatic Processing of…, Martin – Speech and Language Processing.

Quanto è impegnativo Linguistica Computazionale (1) (Lm)?

6 CFU, difficoltà stimata 7.1 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Fabio Tamburini per Natural Language Processing (1) (Lm) a Bologna?

Per Natural Language Processing (1) (Lm) (Canale unico) indica come obbligatorio: Tamburini – Neural Models for the Automatic Processing of…, Martin – Speech and Language Processing, Clark – The Handbook of Computational Linguistics and Natural….

Quanto è impegnativo Natural Language Processing (1) (Lm)?

6 CFU, difficoltà stimata 4.8 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Fabio Tamburini per Text Retrieval, Analysis And Mining (1) (Lm) a Bologna?

Per Text Retrieval, Analysis And Mining (1) (Lm) (Canale unico) indica come obbligatorio: McEnery – Corpus Linguistics, Martin – Speech and Language Processing, Tamburini – Neural Models for the Automatic Processing of…, Neapolitan – Chapman and Hall, Deep Learning.

Quanto è impegnativo Text Retrieval, Analysis And Mining (1) (Lm)?

6 CFU, difficoltà stimata 7.1 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Fabio Tamburini per Trattamento Automatico delle Lingue Naturali (Lm) a Bologna?

Per Trattamento Automatico delle Lingue Naturali (Lm) (Canale unico) indica come obbligatorio: Tamburini – Neural Models for the Automatic Processing of…, Martin – Speech and Language Processing.

Quanto è impegnativo Trattamento Automatico delle Lingue Naturali (Lm)?

12 CFU, difficoltà stimata 9.5 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Fabio Tamburini per Trattamento Automatico delle Lingue Naturali (Lm) a Bologna?

Per Trattamento Automatico delle Lingue Naturali (Lm) (Canale unico) indica come obbligatorio: Tamburini – Neural Models for the Automatic Processing of…, Martin – Speech and Language Processing.

Quanto è impegnativo Trattamento Automatico delle Lingue Naturali (Lm)?

12 CFU, difficoltà stimata 9.5 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Fabio Tamburini per Modelli Neurali per L'Elaborazione del Linguaggio Naturale (1) (Lm) a Bologna?

Per Modelli Neurali per L'Elaborazione del Linguaggio Naturale (1) (Lm) (Canale unico) indica come obbligatorio: Tamburini – Neural Models for the Automatic Processing of…, Raschka – Machine Learning with Pytorch and Scikit-learn, Stevens – Deep Learning With Pytorch.

Quanto è impegnativo Modelli Neurali per L'Elaborazione del Linguaggio Naturale (1) (Lm)?

6 CFU, difficoltà stimata 4.8 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Fabio Tamburini per Natural Language Processing (1) (Lm) a Bologna?

Per Natural Language Processing (1) (Lm) (Canale unico) indica come obbligatorio: Tamburini – Neural Models for the Automatic Processing of…, Martin – Speech and Language Processing, Clark – The Handbook of Computational Linguistics and Natural….

Quanto è impegnativo Natural Language Processing (1) (Lm)?

6 CFU, difficoltà stimata 4.8 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Fabio Tamburini per Natural Language Processing (1) (Lm) a Bologna?

Per Natural Language Processing (1) (Lm) (Canale unico) indica come obbligatorio: Tamburini – Neural Models for the Automatic Processing of…, Martin – Speech and Language Processing, Clark – The Handbook of Computational Linguistics and Natural….

Quanto è impegnativo Natural Language Processing (1) (Lm)?

6 CFU, difficoltà stimata 4.8 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Fabio Tamburini per Neural Models For Natural Language Processing (1) (Lm) a Bologna?

Per Neural Models For Natural Language Processing (1) (Lm) (Canale unico) indica come obbligatorio: Tamburini – Neural Models for the Automatic Processing of…, Raschka – Machine Learning with Pytorch and Scikit-learn, Stevens – Deep Learning With Pytorch.

Quanto è impegnativo Neural Models For Natural Language Processing (1) (Lm)?

6 CFU, difficoltà stimata 4.8 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Fabio Tamburini per Trattamento Automatico delle Lingue Naturali (Lm) a Bologna?

Per Trattamento Automatico delle Lingue Naturali (Lm) (Canale unico) indica come obbligatorio: Tamburini – Neural Models for the Automatic Processing of…, Martin – Speech and Language Processing.

Quanto è impegnativo Trattamento Automatico delle Lingue Naturali (Lm)?

12 CFU, difficoltà stimata 9.5 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Fabio Tamburini per Natural Language Processing a Bologna?

Per Natural Language Processing (Canale unico) indica come obbligatorio: Tamburini – Neural Models for the Automatic Processing of…, Martin – Speech and Language Processing, Clark – The Handbook of Computational Linguistics and Natural….

Quanto è impegnativo Natural Language Processing?

6 CFU, difficoltà stimata 5.4 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Fabio Tamburini per Computational Linguistics (Lm) a Bologna?

Per Computational Linguistics (Lm) (Canale unico) indica come obbligatorio: Tamburini – Neural Models for the Automatic Processing of…, Martin – Speech and Language Processing.

Quanto è impegnativo Computational Linguistics (Lm)?

9 CFU, difficoltà stimata 8.8 su 10 rispetto agli esami della stessa area.

Dove trovo la scheda ufficiale di un esame?

Ogni insegnamento qui sopra ha il link alla scheda ufficiale dell’ateneo: controllala sempre prima di acquistare.

Sei uno studente tra i 18 e i 22 anni?Con Prime Student hai 90 giorni gratis, poi Amazon Prime a soli 2,49 € al mese: consegne veloci e gratuite anche sui libri.Scopri Prime Student ›
Controlla sempre la scheda dell'esame. Le informazioni vengono dalle schede ufficiali degli atenei e possono cambiare o contenere errori: prima di acquistare verifica i testi sulla scheda ufficiale dell'esame (la trovi linkata in ogni esame) e, nel dubbio, chiedi al docente.
Aiutaci a tenerci aggiornati
Il prof ha indicato altri libri, pagine o modifiche? Scrivicelo.