Curso Online en Procesamiento del Lenguaje Natural (PNL/NLP): Tecnicas y Aplicaciones

1.    Fundamentos conceptuales e históricos del procesamiento del lenguaje natural

1.1.  Definición, alcance y relevancia del procesamiento del lenguaje natural en la era digital

1.2.  Evolución histórica del procesamiento del lenguaje natural desde sus orígenes hasta la actualidad

1.3.  Panorama actual del ecosistema tecnológico en procesamiento del lenguaje natural

1.4.  Configuración del entorno de desarrollo y flujo de trabajo en proyectos de PLN

1.5.  Taxonomía de las tareas del procesamiento del lenguaje natural y sus interrelaciones

2.    Bases lingüísticas esenciales para el procesamiento computacional del lenguaje

2.1.  Niveles de análisis lingüístico y su correspondencia con las tareas computacionales

2.2.  Fonología y morfología computacional: estructura interna de las palabras

2.3.  Sintaxis y análisis gramatical automático de oraciones

2.4.  Semántica léxica y composicional aplicada al procesamiento del lenguaje

2.5.  Pragmática y análisis del discurso en contextos computacionales

2.6.  Particularidades lingüísticas del procesamiento multilingüe y del español

3.    Fundamentos matemáticos y estadísticos aplicados al procesamiento del lenguaje natural

3.1.  Álgebra lineal esencial para la representación y manipulación del lenguaje

3.2.  Teoría de la probabilidad y modelos estadísticos del lenguaje

3.3.  Teoría de la información aplicada al análisis textual

3.4.  Fundamentos de optimización para el entrenamiento de modelos de PLN

4.    Preprocesamiento de texto y técnicas de representación vectorial del lenguaje

4.1.  Pipeline completo de preprocesamiento textual: etapas y decisiones de diseño

4.2.  Representaciones clásicas de texto basadas en frecuencias y estadísticas

4.3.  Representaciones densas: word embeddings y modelos de vectores de palabras

4.4.  Representaciones a nivel de oración y documento

4.5.  Embeddings contextuales: del vector estático a la representación dinámica del significado

5.    Modelos clásicos de aprendizaje automático aplicados a tareas de procesamiento del lenguaje

5.1.  Formulación de tareas de PLN como problemas de aprendizaje supervisado y no supervisado

5.2.  Ingeniería de características textuales para modelos de aprendizaje automático tradicional

5.3.  Modelos de clasificación de texto con técnicas de aprendizaje automático clásico

5.4.  Modelos de secuencia clásicos para etiquetado y extracción de información

5.5.  Técnicas no supervisadas para el descubrimiento de patrones en texto

5.6.  Metodología de evaluación y validación de modelos en tareas de PLN

6.    Arquitecturas de redes neuronales para el procesamiento secuencial del lenguaje

6.1.  Redes neuronales feedforward aplicadas a tareas básicas de PLN

6.2.  Redes neuronales recurrentes (RNN) y el modelado de secuencias lingüísticas

6.3.  Arquitecturas avanzadas de memoria: LSTM y GRU

6.4.  Arquitecturas encoder-decoder y el mecanismo de atención

6.5.  Redes neuronales convolucionales (CNN) aplicadas al análisis de texto

6.6.  Estrategias de regularización y entrenamiento en modelos neuronales para PLN

7.    La arquitectura Transformer y los modelos de lenguaje preentrenados de gran escala

7.1.  Origen y motivación de la arquitectura Transformer: superación de las limitaciones recurrentes

7.2.  Anatomía completa de la arquitectura Transformer

7.3.  Modelos preentrenados basados en encoder: BERT y su familia

7.4.  Modelos preentrenados autoregresivos basados en decoder: la familia GPT

7.5.  Modelos encoder-decoder y arquitecturas unificadas

7.6.  Técnicas de adaptación y ajuste fino de modelos preentrenados (fine-tuning)

7.7.  Modelos de lenguaje de gran escala (LLMs): prompting e ingeniería de instrucciones

8.    Tareas fundamentales del PLN: clasificación, extracción de información y análisis semántico

8.1.  Clasificación de texto: enfoques, arquitecturas y aplicaciones prácticas

8.2.  Análisis de sentimientos y minería de opiniones

8.3.  Reconocimiento de entidades nombradas (NER) y extracción de información

8.4.  Etiquetado morfosintáctico (POS tagging) y análisis sintáctico automático

8.5.  Similaridad semántica textual y recuperación de información

9.    Tareas avanzadas del PLN: generación de texto, traducción automática y sistemas conversacionales

9.1.  Generación de lenguaje natural (NLG): principios, métodos y control de la salida

9.2.  Resumen automático de texto (text summarization)

9.3.  Traducción automática neuronal (Neural Machine Translation)

9.4.  Sistemas de pregunta-respuesta (Question Answering)

9.5.  Sistemas conversacionales y agentes de diálogo basados en PLN

10.    Técnicas avanzadas y temas emergentes en procesamiento del lenguaje natural

10.1.  Procesamiento multilingüe y cross-lingual: modelos y estrategias

10.2.  Procesamiento de voz y su integración con modelos de lenguaje

10.3.  PLN multimodal: integración de texto con imagen, audio y vídeo

10.4.  Interpretabilidad y explicabilidad en modelos de PLN

10.5.  Eficiencia computacional y optimización de modelos de lenguaje

11.    Diseño, desarrollo y despliegue de aplicaciones profesionales de PLN

11.1.  Metodología de gestión de proyectos de procesamiento del lenguaje natural

11.2.  Construcción y gestión de datasets para tareas de PLN

11.3.  Entrenamiento, experimentación y selección de modelos

11.4.  Despliegue de modelos de PLN en entornos de producción

11.5.  Integración de modelos de PLN con APIs de LLMs comerciales y servicios cloud

12.    Consideraciones éticas, legales y tendencias futuras en procesamiento del lenguaje natural

12.1.  Sesgos en modelos de lenguaje: detección, análisis y estrategias de mitigación

12.2.  Privacidad y protección de datos en aplicaciones de PLN

12.3.  Generación de contenido sintético, desinformación y uso responsable

12.4.  Marco regulatorio y normativo emergente para sistemas de inteligencia artificial

12.5.  Tendencias futuras y líneas de investigación abierta en PLN