Al finalizar el curso, se espera que el alumno:

• Comprenda los diferentes niveles de análisis del NLP.
• Reconozca los principales desafíos del NLP.
• Reconozca y comprenda la terminología básica de NLP.
• Identifique las características y aplicaciones de las diferentes técnicas de NLP.
• Conozca y utilice las herramientas básicas para la aplicación de técnicas de NLP.
• Diseñe y desarrolle soluciones a problemáticas relacionadas con el procesamiento de texto y lenguaje.
• Comprenda los principios de los Grandes Modelos de Lenguaje (LLMs) y cómo aplicarlos a tareas de NLP.

Unidad 1: Introducción al Procesamiento de Lenguaje Natural (Clase 1)

• Conceptos fundamentales y aplicaciones del NLP.
• Niveles de procesamiento en NLP.
• Workflow de NLP.
• Introducción a bibliotecas y herramientas comunes (NLTK, spaCy, Hugging Face, etc.).

Unidad 2: Preprocesamiento y Análisis Léxico de Texto (Clase 2)

• Expresiones regulares en NLP.
• Tokenización, eliminación de stopwords, lematización y stemming.
• Normalización de texto y representación de características.

Unidad 3: Representación de texto (Clase 3)

• Representaciones léxicas.
• Extracción y selección de características.
• Modelos léxicos de representación del lenguaje: Bag-of-Words (BoW), TF-IDF.
• Modelos de embeddings (Word2Vec, GloVe, FastText, Transformers).

Unidad 4: Análisis Sintáctico (Clase 4)

Tipos de parsing. Parsing superficial vs. profundo.
Análisis de dependencia y de constituyentes.
Etiquetado de Partes del Discurso (POS tagging).
Reconocimiento de Entidades Nombradas (NER).

Unidad 5: Análisis Semántico (Clase 4)

• Semántica léxica y semántica de vectores.
• Desambiguación semántica y etiquetado de roles semánticos.
• Procesamiento del discurso y pragmática.
• Detección y modelado de tópicos.
• Análisis de sentimientos y minería de opinión.

Unidad 6: Clasificación de Texto (Clase 5)

• Clasificación binaria, multi-clase y multi-etiqueta.
• Selección de características y reducción de dimensionalidad.

Unidad 7: Aplicaciones del NLP (Clase 5)

• Motores de recomendación, recuperación de información y filtrado.
• Procesamiento de texto multilingüe y traducción automática.
• Generación de texto y resumen automático.
• Sistemas de preguntas y respuestas.
• Agentes conversacionales.
• Fairness, bias. Tipos de sesgos. Ejemplos.

Unidad 8: Grandes Modelos de Lenguaje (LLMs) en NLP (Clase 6)

• Introducción a los LLMs.
• Prompting. Zero-shot y few-shot.
• Uso de LLMs en tareas de NLP:
• Fine tuning vs generación aumentada.

Las clases combinarán teoría y práctica, con materiales de apoyo como slides y notebooks Jupyter en Python. Cada unidad incluirá notebooks de ejercicios, donde los estudiantes aplicarán técnicas de NLP utilizando datasets reales y bibliotecas como NLTK, spaCy, Hugging Face Transformers y LangChain. Se fomentará la participación activa a través de la resolución de problemas y el análisis de casos de uso. Además, los alumnos tendrán a disposición trabajos prácticos opcionales para abordar desafíos más complejos y contarán con una plataforma virtual para consultas y soporte.

La evaluación del módulo se realizará mediante la certificación Nvidia “Building Transformer-Based Natural Language Processing Applications“. La misma consiste en el fine-tuning de modelos transformers pre-entrenados para tareas específicas.
En caso de no completar la certificación, la evaluación consistirá en un práctico de similar escala pero se perderá el derecho a obtener la certificación Nvidia.

• Alammar, J., & Grootendorst, M. (2024). Hands-On Large Language Models. O’Reilly.
• Bird, S., Klein, E., & Loper, E. (2009). Natural Language Processing with Python (1st ed.). O’Reilly Media.
• Broussard, M. (2018). Artificial Unintelligence: How Computers Misunderstand the World. MIT Press.
• Hardeniya, N., Perkins, J., Chopra, D., Joshi, N., & Mathur, I. (2016). Natural Language Processing: Python and NLTK. Packt Publishing.
• Howard, C., Dyshel, M., Lane, H., & Hapke, H. (2022). Natural Language Processing in Action (2nd ed.). Manning.
• Jurafsky, D., & Martin, J. H. (2019). Speech and Language Processing (3rd ed., Draft).
• Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press.
• Mihalcea, R. (2007). The Text Mining Handbook: Advanced Approaches to Analyzing Unstructured Data. Cambridge University Press.
• Mitchell, M. (2019). Artificial Intelligence: A Guide for Thinking Humans. Farrar, Straus and Giroux.
• Molnar, C. (2020). Interpretable Machine Learning. Leanpub.
• Pai, S. (2025). Designing Large Language Model Applications. O’Reilly Media.
• Rothman, D. (2022). Transformers for Natural Language Processing (2nd ed.). Packt Publishing.
• Sarkar, D. (2019). Text Analytics with Python: A Practitioner’s Guide to Natural Language Processing. Apress.
• Trummer, I. (2025). LLMs in Action: Analyzing Text, Tables, Images, and Sound. Manning.

DOCENTES

Antonela Tommasel

Doctora en Ciencias de la Computación (UNICEN) e investigadora de CONICET. Especializada en sistemas de recomendación, applied NLP, social computing y social network analysis.

Juan Manuel Rodriguez

Doctor en ciencias de la computación por la UNICEN. Es certificador oficial de Nvidia DLI. Ha publicado más de 40 artículos en revistas y conferencias especializadas. Actualmente es profesor asistente de la Universidad de Aalborg e investigador de CONICET.