PV211 -- Úvod do získávání informací (jaro 2014)

Úvod | Novinky | Přednášky | Odkazy | Projekty |

Úvod

Tento na FI v 2014 nově vyučovaný předmět je založen na knížce Manning, Raghavan and Schutze: Introduction to Information Retrieval, k níž jsou bohaté a detailní materiály dostupné na webu projektu či na Coursera. Několik kusů knihy je v knihovně FI.

V kurzu se mimo jiné dozvíte jakým způsobem texty indexuje Google tak, že na desetitisíce v jedné vteřině položených dotazů z různých konců světa je schopen odpovědět z desítek miliard zaindexovaných dokumentů ve zlomku vteřiny, a ještě odpovědi utřídí tak šikovně, že hledané informace tazatelé často najdou na první stránce odpovědí.

V kursu jsme chtěli s využitím Fondu rozvoje FRMU vytvořit desítky motivačních videí ve stylu Khan Academy: zkuste shlédnout úvodní PV211 trailer o historii a důležitostí získávání informací. Výukové metody kurzu budou snažit zvyšovat autonomii učení studentů podobnými motivačními a výukovými videolekcemi.

Chcete-li na získat výše uvedené dovednosti, znalosti a informace, zapište si kurs o získávání informací! Těším se na shledanou!

Novinky

• 4.6.: Druhý zkušební termín! Zveřejněna řešení příkladů z cvičení od Dominik Szalai a Michal Krajčovič a Lukáš Daubner
• 22.5.: První zkušební termín!
• 15.4.: Přibyla další dvě výuková videa v materiálech předmětu, díky Tomáši Effenbergerovi, Jaroslavu Čechákovi, Jiřímu Mauritzovi a Lukáši Daubnerovi.
• 9.4.: Seznam.cz zpřístupní data českého webu spolu s API a některými nástroji pro výzkum vyhledávání znalostí na výpočetní infrastruktuře Metacentra.
• 13.3.: Vypsány zkouškové termíny.
• 3.3.: Předmět si nakonec zapsalo 60 studentů. Jsou vystaveny další materiály k autonomnímu samostudiu.
• 2.3.: Přesto, že jsme nedostali grant FR MU na přípravu videomateriálů předmětu, Tomáš natočil a sestříhal v laboratoři LEMMA nové video Jak funguje Google.
• 25.2.: Přidání tipů na možné projekty.
• 20.2.: První přednáška, vystavení materiálů na první dva týdny.
• 03.2.: Potvrzená přednáška Seznamu (Roman Rožník) na 20.3.
• 31.1.: Podána žádost o grant FR MU na podporu vytváření výukových a motivačních materiálů kursu PV211.
• 27.1.: Založeny studijní materiály předmětu s trailerem kurzu.
• 26.1.: Dle předběžného rozvrhu se budeme scházet v D3 ve čtvrtek od 16h (přednáška využívající i nový full HD dataprojektor) s navazujícími cvičeními od 18h.

Přednášky, a další studijní a motivační materiály kurzu

• 20. 2. 2014 Úvodní přednáška kurzu. video (úvodní trailer)
  Boolean retrieval slides 1, IIR chapter 1.
• 27. 2. 2014 Term vocabulary and postings lists slides 2, IIR chapter 2.
  Dictionaries and tolerant retrieval slides 3, IIR chapter 3.
• 6. 3. 2014
  Index construction slides 4, IIR chapter 4.
• 13. 3. 2014
  Compression slides 5, IIR chapter 5.
  Scoring, term weighting, the vector space model slides 6, IIR chapter 6.
  slides Google architecture (Ed Austin), slides Google infrastructure (Jeff Dean), video (Jeff Dean).
• 20. 3. 2014 16:00-17:40 Roman Rožnik: Jak se dělá ranking v Seznamu:
  problematika řazení výsledků fulltextového vyhledávače, řadicí model (boostované rozhodovací stromy), požadované vlastnosti modelu, jeho trénování a sběr dat pro něj, metriky kvality řazení, feature selection.
  18:00-19:40 Scores in complete search system slides 7, IIR chapter 7.
• 27. 3. 2014
  Evaluation and result summaries slides 8, IIR chapter 8.
  Relevance feedback and query expansion slides 9, IIR chapter 9.
• 3. 4. 2014
  Web search slides 19, IIR chapter 19.
• 10. 4. 2014
  Crawling slides 20, IIR chapter 20.
  Link Analysis, Pagerank slides 21, IIR chapter 21.
  How Google finds a needle....
• 17. 4. 2014
  XML retrieval slides 10, IIR chapter 10.
  MathML retrieval by MIaS in EuDML: slides
  Cvičení 1.~skupiny bylo přesunuto na 24.4.
• 24. 4. 2014
  Latent Semantic Indexing slides 18, IIR chapter 18, Gensim.
  Text Classification and Naive Bayes slides 13, IIR chapter 13.
  18:00: Společné cvičení obou skupin.
• 1. 5. 2014 a 8. 5. 2014 (státní svátky) výuka odpadá. K autonomnímu studiu zůstává:
  Vector Space Classification slides 14, IIR chapter 14.
  8.5. v 18h v D3 budou mimořádné konzultace.
• 15. 5. 2014 D3 16-17:40
  Q&A session: Vše, co jste chtěli vědět o Získávání informací, ale báli jste se zeptat. Své dotazy či přání na dovysvětlení dopřednášení prosím pište do diskusního fóra předmětu. Je možné dopřednášet/okomentovat žádaná témata (např. kap. 13 a 14).
  18-19:40 konzultace příklady a závěrečný test (společné cvičení) v B130.
• Letos jsme nestihli :-( :
  Probabilistic Information Retrieval slides 11, IIR chapter 11.
  Language Models for IR slides 12, IIR chapter 12.
  Support Vector Machines slides 15a, Learning to Rank slides 15b, IIR chapter 15. Flat Clustering slides 16, IIR chapter 16.
  Hierarchical Clustering slides 17, IIR chapter 17.

Odkazy (více na koncích bloků slidů)

• Podobný kurz na Stanfordu a Mnichově.
• Seminář Dokumentografické informační systémy
• Google: první článek (Anatomie Google na WWW7 conference), O Google česky, zakladatelé

Projekty a miniprojekty

Budu rád, když vás problematika předmětu zaujme a rozhodnete se jí věnovat v rámci projektů či miniprojektů. Aktivity v tomto směru budou odměněny netriviálním množstvím prémiových bodů. Počet hvězdiček je odhadem náročnosti projektu, od miniprojektu [(*), 10b] po práci rozsahu diplomového projektu [(*****), 50+b]. Pokud byste chtěli některý projekt vypsat i jako BP či DP, kontaktujte mě.

• (*)+ Pomoc Tomáši Effenbergerovi s natáčením motivačních a výukových videí předmětu (kamera, střih, příprava podkladů k natáčení).
• (*)+ Vypracování vzorových řešení příkladů ze cvičení v LaTeXu.
• (**)+ Minireferát či výukové video relevantní vyučovaným tématům předmětu. Možná témata: Sketch Engine, vyhledávání s lingvistickými atributy, náhodné procházky v textech, tematické vyhledávání a korpusy, časově omezené vyhledávání, topic modelling s gensim, LDA, Wolfram Alpha, specifika vyhledávání strukturních dat (chemické a matematické vzorce, lingvistické stromy - syntaktické nebo závislostní),...
• (***)+ Evaluace vyhledávání matematických formulí v systému MIaS -- možné i v rámci projektu děkana pod vedením Mgr. Líšky nebo jako BP či DP.
• (****)+ Realizace aplikace informačního `robota' postavená na SoC Intel Galileo (hw bude poskytnut).
• ...

Žákovi, který se hrozil chyb, Mistr řekl: "Ti, kdo nedělají chyby, chybují nejvíc ze všech - nepokoušejí se o nic nového." Anthony de Mello: O cestě.

sojka at fi dot muni dot cz --