Résumé de section

• Sélectionner la section General

  General

  Tout replier Tout déplier

  • Sélectionner l’activité Language of the CourseThe lectures will be partial...

    Language of the Course

    The lectures will be partially in English and German.

    The material will be in English.

    Questions (in person and the Forum) can be asked in both languages.

    Proof of performance

    During the Course: Active participation, weekly assignments and project presentations.

    Final examination:
    

    To be announced.

    
    

    Schedule and location

    The sessions will take place Thursdays 10-12 c.t. in the Sensalight Technologies building (John-Skilton-Str. 8a), in room 4.23 (seminar room on the 4th floor). 

    Additional information

    Since each session contains hands-on parts, students are required to bring their laptops. 

    A working Python Stack (easiest to set up using Anaconda) has to be installed on your machines.

    If Anaconda is not yet installed on your machine, please install it before our first meeting so that we can solve eventual problems quickly together in the first lecture.

    Please also make sure to connect your machine to the university's official Wi-Fi (eduroam) since Bayern-WLAN is remarkably unreliable at times.

    
    
    

  • Sélectionner l’activité Announcements

    

    Announcements Forum
  • Sélectionner l’activité Questions and Discussions

    

    Questions and Discussions Forum
  • Sélectionner l’activité Zoom: Screenshare

    

    Zoom: Screenshare Réunion Zoom
• Sélectionner la section Content (planned)

  Content (planned)

  
  27.4. Session #1: Introduction
  

  • Recap of DS4DH1
  • Course organization

  
  

  4.5. Session #2: Recap of DSDH1

  • Pandas
  • Numpy, Scipy
  • Seaborn

  
  

  11.5. Session #3: Corpus linguistics
  

  • Lexical association measures
  • Multi-word expressions, collocations, idioms
  • Lexico-semantic resources: WordNet, BabelNet, PanLex

  
  

  22.5. Session #3: Topic modeling -- exceptionally on Monday, 14-16
  

  • Latent Dirichlet Allocation
  • Practical examples with LDA in Gensim
  • Homework project #1: pick a corpus, induce topics, analyze topics and topical distribution of documents, prepare a small-scale presentation 

  
  

  25.5. Session #4: Networks

  • Introduction to Graph Theory
  • Node importance -- degree centrality, closeness centrality, betweeness centrality
  • Shortest paths
  • Practical exercises with networkx
  • Homework project #2: analysis of a large-scale network dataset; prepare a small-scale presentation with insights

  
  

  1.6. Session #5: Evaluation & Statistical Testing

  • Common evaluation measures for classification and regression
  • Gold-standard annotation and inter-annotator agreement
  • Significance testing (parametric: Student’s t-test; non-parametric: Wilcoxon’s test

  
  

  15.6. Session #6: Student presentations -- Topic Modeling Homeworks 

  22.6. Session #7: Student presentations -- Network Analysis Homeworks

  29.6. Session #8: Deep Learning

  • Convolutional NNs
  • Recurrent NNs
  • Attention mechanism and Transformers
  • Practical exercises in keras

  
  6.7. Session #9: Interpretability & Fairness
  

  • Explainability and interpretability of machine learning models
  • Biases and fairness: data bias, model bias

  
  

  13.7. Session #10: Guest Lecture 

  • A talk by a prominent researcher in the area of Computational Humanities

  
  
• Sélectionner la section Recap: Material from DS4HUM-1

  Recap: Material from DS4HUM-1

  • Sélectionner l’activité Notebook: Python-Basics (HTML-Version)

    

    Notebook: Python-Basics (HTML-Version) Fichier
  • Sélectionner l’activité Notebook: Python-Basics 2 (HTML-Version)

    

    Notebook: Python-Basics 2 (HTML-Version) Fichier
  • Sélectionner l’activité Notebook: Numpy (HTML-Version)

    

    Notebook: Numpy (HTML-Version) Fichier
  • Sélectionner l’activité Notebook: Acquisition and Preprocessing (HTML-Version)

    

    Notebook: Acquisition and Preprocessing (HTML-Version) Fichier
  • Sélectionner l’activité Notebook: Descriptive Statistics (HTML-Version)

    

    Notebook: Descriptive Statistics (HTML-Version) Fichier
  • Sélectionner l’activité Notebook: Deep-dive into Seaborn (HTML-Version)

    

    Notebook: Deep-dive into Seaborn (HTML-Version) Fichier
  • Sélectionner l’activité Notebook: Classification (.ipynb)

    

    Notebook: Classification (.ipynb) Fichier
  • Sélectionner l’activité Slides: Text Classification and Clustering

    

    Slides: Text Classification and Clustering Fichier
  • Sélectionner l’activité Notebook: Text processing (.ipynb)

    

    Notebook: Text processing (.ipynb) Fichier
  • Sélectionner l’activité Slides: Lexical semantics

    

    Slides: Lexical semantics Fichier
  • Sélectionner l’activité Slides: Text representations

    

    Slides: Text representations Fichier
  • Sélectionner l’activité Slides: Information Extraction

    

    Slides: Information Extraction Fichier
• Sélectionner la section Session 1: Introduction

  Session 1: Introduction

  • Sélectionner l’activité Jupyter Notebooks from DS4DH1 (HTML)

    

    Jupyter Notebooks from DS4DH1 (HTML) Fichier
  • Sélectionner l’activité L1: Course introduction

    

    L1: Course introduction Fichier
• Sélectionner la section Session 1.5: Recap

  Session 1.5: Recap

  • Sélectionner l’activité Notebook: Numpy & Pandas (HTML-Version)

    

    Notebook: Numpy & Pandas (HTML-Version) Fichier
  • Sélectionner l’activité Notebook: Seaborn (HTML-Version)

    

    Notebook: Seaborn (HTML-Version) Fichier
• Sélectionner la section Session 2: Corpus linguistics & lexicon-semantic resources

  Session 2: Corpus linguistics & lexicon-semantic resources

  • Sélectionner l’activité Notebook: Corpus Linguistics (HTML-Version)

    

    Notebook: Corpus Linguistics (HTML-Version) Fichier
• Sélectionner la section Session 3: Topic Modeling

  Session 3: Topic Modeling

  • Sélectionner l’activité TM: Slides

    

    TM: Slides Fichier
  • Sélectionner l’activité TM: Notebook (ipynb)

    

    TM: Notebook (ipynb) Fichier
  • Sélectionner l’activité TM: Notebook (HTML)

    

    TM: Notebook (HTML) Fichier
• Sélectionner la section Session 4: Networks

  Session 4: Networks

  • Sélectionner l’activité Notebook: Graphs & Network analysis (HTML-Version)

    

    Notebook: Graphs & Network analysis (HTML-Version) Fichier
• Sélectionner la section Session 5: Evaluation & Statistical Testing

  Session 5: Evaluation & Statistical Testing

  • Sélectionner l’activité Note: Evaluation & Significance Testing (HTML-Version)

    

    Note: Evaluation & Significance Testing (HTML-Version) Fichier
• Sélectionner la section Session 6: Student presentations of topic modeling

  Session 6: Student presentations of topic modeling
• Sélectionner la section Session 7: Student presentations on graph analysis

  Session 7: Student presentations on graph analysis
• Sélectionner la section Session 8: Deep Learning

  Session 8: Deep Learning

  • Sélectionner l’activité Intro2ML (from DS4DH1)

    

    Intro2ML (from DS4DH1) Fichier
  • Sélectionner l’activité Intro2DL: Autoencoders, CNNs, RNNs

    

    Intro2DL: Autoencoders, CNNs, RNNs Fichier
  • Sélectionner l’activité Notebook: Deep Learning (HTML)

    

    Notebook: Deep Learning (HTML) Fichier
  • Sélectionner l’activité Notebook: Deep Learning (ipynb)

    

    Notebook: Deep Learning (ipynb) Fichier
• Sélectionner la section Session 9: Interpretability & Fairness

  Session 9: Interpretability & Fairness

  • Sélectionner l’activité Notebook: Explainability & Fairness (HTML)

    

    Notebook: Explainability & Fairness (HTML) Fichier
  • Sélectionner l’activité Notebook: Interpretability & Fairness (ipynb)

    

    Notebook: Interpretability & Fairness (ipynb) Fichier
• Sélectionner la section Final Project

  Final Project

  • Sélectionner l’activité Submission deadline: 31.9.23Please use the provide...

    Submission deadline: 31.9.23
    

    Please use the provided template for styling your project report.
    

    Project reports can be either written in German or English.

    
    

  • Sélectionner l’activité Project data

    

    Project data URL
  • Sélectionner l’activité Final Project: Description

    

    Final Project: Description Fichier
  • Sélectionner l’activité Project report: LaTex Template

    

    Project report: LaTex Template Fichier
  • Sélectionner l’activité Project report: Word template

    

    Project report: Word template Fichier
  • Sélectionner l’activité Project report: Overleaf LaTex template

    

    Project report: Overleaf LaTex template URL