[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-es-110":3,"doc-seo-512816-110":49,"doc-detail-512816-es":115},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},39,"Document","Cómic",60,"comic",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},43,"Estilo de Vida","lifestyle",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},38,"Examen","exam",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},44,"General","general",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},41,"Investigación e Informes","research-report",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},37,"Literatura","literature",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},22,"Relatos y Novelas","story-novel",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},42,"Religión y Espiritualidad","religion-spirituality",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},40,"Salud y Atención Médica","healthcare",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},24,"Tecnología","technology",{"code":4,"msg":50,"data":51},"ok",{"site_id":52,"language":53,"slug":54,"title":55,"keywords":56,"description":57,"schema_data":58,"social_meta":108,"head_meta":110,"extra_data":112,"updated_unix":114},110,"es","natural-language-processing-class-notes-draft","Procesamiento de Lenguaje Natural - Apunte de Clases (Borrador)","","Apuntes de clases en borrador sobre Procesamiento de Lenguaje Natural (PLN), enfocados en fundamentos, tareas y niveles lingüísticos, incorporando la relación entre PLN y lingüística computacional. El material introduce modelos vectoriales para representación de texto (tokens, stopwords, stemming, lematización, índice invertido, TF-IDF, similitud y clustering) y continúa con modelos probabilísticos de lenguaje: cadena, Markov, trigramas, perplejidad, interpolación lineal y métodos de descuento. También aborda clasificación con Naïve Bayes y métricas como matriz de confusión y validación cruzada, finalizando con modelos lineales (detección de idiomas, one-hot, gradiente, regularización) y redes neuronales (embeddings y capas).",{"@graph":59,"@context":107},[60,77,98],{"@type":61,"itemListElement":62},"BreadcrumbList",[63,68,71,74],{"item":64,"name":65,"@type":66,"position":67},"https://docshare.wps.com","Home","ListItem",1,{"item":69,"name":9,"@type":66,"position":70},"https://docshare.wps.com/es/document/",2,{"item":72,"name":47,"@type":66,"position":73},"https://docshare.wps.com/es/document/tecnología/",3,{"item":75,"name":55,"@type":66,"position":76},"https://docshare.wps.com/es/document/natural-language-processing-class-notes-draft/512816/",4,{"url":75,"name":55,"@type":78,"image":79,"author":84,"headline":55,"publisher":87,"fileFormat":90,"inLanguage":53,"description":57,"dateModified":91,"datePublished":92,"encodingFormat":90,"isAccessibleForFree":93,"interactionStatistic":94},"DigitalDocument",{"url":80,"@type":81,"width":82,"height":83},"https://docshare.wps.com/thumbnails/natural-language-processing-class-notes-draft/512816.png","ImageObject",300,407,{"name":85,"@type":86},"Well Done","Person",{"url":64,"name":88,"@type":89},"DocShare","Organization","application/pdf","2026-10-07","2026-10-06",true,{"@type":95,"interactionType":96,"userInteractionCount":73},"InteractionCounter",{"@type":97},"ViewAction",{"@type":99,"mainEntity":100},"FAQPage",[101],{"name":102,"@type":103,"acceptedAnswer":104},"Qué criterios y métodos se usan para evaluar modelos de lenguaje y clasificadores como Naïve Bayes?","Question",{"text":105,"@type":106},"Para modelos de lenguaje se utiliza la perplejidad, incluyendo intuición y el trade-off sesgo-varianza, además de interpolación lineal y descuento (Katz Back-Off). Para clasificación se revisan matriz de confusión, métricas de desempeño, medida F, devsets y validación cruzada, junto con la organización de conjuntos de entrenamiento, prueba y validación.","Answer","https://schema.org",{"og:url":75,"og:type":109,"og:title":55,"og:site_name":88,"og:description":57},"article",{"robots":111,"canonical":75},"index,follow",{"doc_id":113,"site_id":52},512816,1791337444,{"code":4,"msg":5,"data":116},{"doc_id":113,"user_id":117,"nickname":85,"user_avatar":118,"doc_module":4,"category_id":46,"category_name":47,"doc_title":55,"doc_description":57,"doc_content":119,"file_id":120,"file_url":121,"file_type":122,"file_size":123,"view_count":73,"is_deleted":4,"is_public":67,"is_downloadable":67,"audit_status":67,"page_count":124,"language":125,"language_code":53,"site_id":52,"html_lang":53,"table_of_contents":126,"faqs":127,"seo_title":128,"seo_description":57,"update_tm":129,"read_time":82},5909892210082,"https://ap-avatar.wpscdn.com/avatar/56001069da27c9f41e8?x-image-process=image/resize,m_fixed,w_180,h_180&k=1789614185077863061","Procesamiento de Lenguaje Natural  \nApunte de Clases (Borrador)  \nFelipe Bravo Márquez  \nFelipe Bravo Márquez  \nIlustración Portada por Paulette Filla  \nDEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN, UNIVERSIDAD DE CHILEGITHUB . COM/DCCUCHILE/CC6205  \nApuntes de clases del curso de Procesamiento de Lenguaje Natural de la Universidad de Chile.  \nEl formato del apunte fue tomado del template de Jasmine Hao disponible en Overleaf.  \nBorrador, 1 de abril de 2024  \nÍndice general  \nPrefacio ....................................................... 11  \n1 Introducción .................................................. 13  \n1.1 Desafíos del Procesamiento del Lenguaje Natural (PLN) 13  \n1.2 PLN y Lingüística Computacional 14  \n1.3 Tareas en Procesamiento del Lenguaje Natural (PLN) 15  \n1.4 Niveles de descripción lingüística 16  \n1.4.1 Fonética ........................................................ 16  \n1.4.2 Fonología ....................................................... 16  \n1.4.3 Morfología ...................................................... 16  \n1 .4.4 Sintaxis ......................................................... 17  \n1.4.5 Semántica ...................................................... 17  \n1.4.6 Pragmática ..................................................... 18  \n1.5 Aprendizaje Automático en PLN 18  \n1.5.1 Ejemplo 1: Clasificación de Tópicos .................................. 19  \n1.5.2 Ejemplo 2: Análisis de Sentimiento .................................... 19  \n1.5.3 Lingüística y Procesamiento del Lenguaje Natural (PNL) .................. 21  \n1.5.4 Limitaciones del Aprendizaje Supervisado ............................. 21  \n1.6 Etiquetado de Datos en PLN 21  \n1.6.1 Supervisión a Distancia ............................................ 22  \n1.6.2 Crowdsourcing .................................................. 23  \n1.7 Paradigmas de Aprendizaje Automático 23  \n1.8 Historia de PLN 24  \n1.9 Conclusiones y Estructura del Apunte 25  \n2 Modelo de Espacio Vectorial ................................... 27  \n2.1 Tokens y Tipos 27  \n2.1 .1 Tipos ........................................................... 27  \n2.2 Eliminación de Stopwords 28  \n2.3 Stemming 28  \n2.4 Lematización 29  \n2.5 Ley de Zipf 29  \n2.6 Listas de posteo y el índice invertido 30  \n2.7 Motores de búsqueda web 30  \n2.8 El modelo de espacio vectorial 31  \n2.8.1 El modelo TF-IDF .................................................. 32  \n2.8.2 Similitud entre vectores ............................................ 33  \n2.9 Clustering de Documentos 34  \n2.10 Modelos de Tópicos 35  \n2.11 Conclusiones y Conceptos Adicionales 36  \n3 Modelos de Lenguaje Probabilísticos ........................... 37  \n3.1 El Problema del Modelado del Lenguaje 37  \n3.1.1 ¿Por qué querríamos hacer esto? .................................... 38  \n3.2 Regla de la Cadena en Modelos de Lenguaje 39  \n3.3 Mirada Predictiva 39  \n3.4 Mirada Generativa 40  \n3.5 Un Método Ingenuo 41  \n3.6 Procesos de Markov 41  \n3.6.1 Modelado de secuencias de longitud variable ......................... 41  \n3.7 Modelos de lenguaje de Trigramas 42  \n3.8 Evaluación de un modelo de lenguaje: Perplejidad 43  \n3.8.1 Intuición sobre la perplejidad ....................................... 43  \n3.8.2 El trade-off entre sesgo y varianza .................................... 44  \n3.9 Interpolación Lineal 45  \n3.9.1 Estimación de los Valores λ ......................................... 46  \n3.10 Modelos de Descuento (Katz Back-Off) 46  \n3.11 Historia 49  \n3.12 Conclusiones 50  \n4 Clasificación de Texto y Naïve Bayes ........................... 51  \n4.1 Ejemplos de Problemas de Clasificación 52  \n4.2 Modelos Generativos 53  \n4.3 Naïve Bayes Multinomial 54  \n4.3.1 Estimación de parámetros .......................................... 55  \n4.3.2 Problemas al multiplicar muchas probabilidades ........................ 55  \n4.3.3 Suavizamiento de Laplace ......................................... 56  \n4.3.4 Naïve Bayes como modelo de lenguaje ..","cbCaipMgu9fxnHVr","https://ap.wps.com/l/cbCaipMgu9fxnHVr","pdf",18508489,195,"Spanish","# Prefacio\n# Introducción\n## Desafíos del Procesamiento del Lenguaje Natural (PLN)\n## PLN y Lingüística Computacional\n## Tareas en Procesamiento del Lenguaje Natural (PLN)\n## Niveles de descripción lingüística\n## Aprendizaje Automático en PLN\n## Etiquetado de Datos en PLN\n## Paradigmas de Aprendizaje Automático\n## Historia de PLN\n## Conclusiones y Estructura del Apunte\n# Modelo de Espacio Vectorial\n## Tokens y Tipos\n## Eliminación de Stopwords\n## Stemming\n## Lematización\n## Ley de Zipf\n## Listas de posteo y el índice invertido\n## Motores de búsqueda web\n## El modelo de espacio vectorial\n## El modelo TF-IDF\n## Similitud entre vectores\n## Clustering de Documentos\n## Modelos de Tópicos\n# Modelos de Lenguaje Probabilísticos\n## El Problema del Modelado del Lenguaje\n## Regla de la Cadena en Modelos de Lenguaje\n## Mirada Predictiva y Generativa\n## Procesos de Markov\n## Modelos de lenguaje de Trigramas\n## Evaluación: Perplejidad\n## Interpolación Lineal\n## Modelos de Descuento (Katz Back-Off)\n## Historia\n## Conclusiones\n# Clasificación de Texto y Naïve Bayes\n## Ejemplos de Problemas de Clasificación\n## Modelos Generativos\n## Naïve Bayes Multinomial\n## Evaluación\n## Conjuntos de entrenamiento, prueba y validación\n# Modelos Lineales\n## Ejemplo: Detección de Idiomas\n## Clasificación binaria log-lineal\n## Clasificación multiclase\n## Representaciones y One-Hot\n## Entrenamiento y optimización por gradiente\n## Regularización\n## Más allá del SGD\n## Limitación XOR y transformaciones no lineales\n# Redes Neuronales\n## Redes feedforward y capacidad de representación\n## Funciones de activación y problemas prácticos\n## Capas de Embedding","[{\"question\":\"Qué criterios y métodos se usan para evaluar modelos de lenguaje y clasificadores como Naïve Bayes?\",\"answer\":\"Para modelos de lenguaje se utiliza la perplejidad, incluyendo intuición y el trade-off sesgo-varianza, además de interpolación lineal y descuento (Katz Back-Off). Para clasificación se revisan matriz de confusión, métricas de desempeño, medida F, devsets y validación cruzada, junto con la organización de conjuntos de entrenamiento, prueba y validación.\"}]","Procesamiento de Lenguaje Natural - Apunte de Clases (Borrador) | PDF",1791276307]