Sobre ser autodidata

Impossível começar a falar sobre o assunto sem ser brutalmente honesto: é muito difícil ser autodidata.

Hoje, basta um computador com internet para poder se enfiar nos self-studies, mesmo com todo o material do mundo disponível (seja através dos MOOCs [CourseraedX] que te dão acesso à aulas das melhores universidades do mundo ou dos reservatórios russos de livros com um potencial praticamente ilimitado) eu ainda sustento que é muito difícil ser autodidata.

O problema não é a falta de conteúdo. Hoje, claramente as dificuldades são incomparáveis com as dificuldades de 30 anos atrás, eu mal consigo imaginar como alguém conseguia bancar a ideia de ser autodidata antes da internet, tendo que ir garimpar materiais em bibliotecas, livrarias e sebos.

cabe num pen-drive
é assim que as pessoas faziam?

Além disso, cabe uma reflexão: na faculdade, tudo o que você aprendeu veio estritamente daquilo visto em aulas expositivas e bibliografia? A experiência de aprender também tem um aspecto de socialização que é inegável: conhecer colegas, conversar a respeito das matérias, ouvir as dúvidas que outras pessoas tiveram assim como as respostas. Tudo isso é essencial para o aprendizado. Na verdade, é tão importante que as plataformas de ensino online tentam simular alguns desses aspectos com os fóruns de discussão.

Provas, grades horárias definidas por especialistas e titulações são (ainda que nem sempre) ferramentas que auxiliam muito o aluno. A falta de coesão curricular e de objetivo (que eu quero explorar um pouco mais nas dicas) podem jogar meses de estudo fora e frustrar completamente alguém que está a fim de estudar uma coisa nova. Mas ao mesmo tempo, o engessamento do ensino institucionalizado também pode matar todo o seu tesão por estudar alguma coisa.

quem acredita em citações da internet?

Ser autodidata é difícil porque não existe diploma (apesar de existirem certificados), não existe uma garantia de que você está estudando aquilo que vai ser útil para você, e também não existe a mentalidade do mínimo esforço pelo certificado, o que você aprendeu você aprendeu.

Minha intenção não é defender um tipo de aprendizado no lugar do outro. Acho que o ensino presencial e institucionalizado e o auto-ensino feito à distância podem e devem complementar um ao outro. Eu acredito tanto nisso que eu levo a minha formação nas duas frentes, ao mesmo tempo. Minha formação em linguística foi bastante formal, na faculdade de letras, mas meus estudos em estatística, lógica e programação foram tocados de modo bastante (mas não totalmente) autônomo.

A importância do autodidatismo vai crescer muito nos próximos anos. Acredito que seja fundamental começar a se preparar pra isso: escolher um tópico legal e ir atrás de cursos.

Dito isso, vou listar algumas dicas que eu gostaria de ter lido quando eu fui começar a estudar coisas por conta.

  • Tenha um foco: se é um concurso, uma prova, um projeto ou um trampo, foque os estudos. A variedade de material é tanta que se você adentrar sem algum foco, é bem capaz de ficar patinando. Descobrir coisas novas, mas ser ir a fundo em nenhuma delas, pode ser interessante, mas a chance de você se frustrar e não conseguir levar nada adiante é muito grande.
  • Tenha tempo e ritmo: lembra de todas aquelas dicas que te davam na escola sobre como estudar pro vestibular? Elas se aplicam aqui – ao quadrado! Não adianta tocar os self-studies de qualquer jeito, Concentração é fundamental. Reserve umas horas só para estudar. Se os certificados de cursos online ainda não valem muita coisa no mundo profissional (mas isso deve mudar!) o que tem que ficar claro é isso: o importante é dominar o conteúdo. Para isso não dá pra correr: Não dá pra fazer um curso em uma maratona de um dia de estudo, tem que ter um bom ritmo, aprendendo e treinando um pouco ao longo de semanas.
  • Tenha curiosidade: Acho que a parte mais legal de conduzir os self-studies é que se um assunto te interessa, você pausa a aula, vai atrás da bibliografia, compra/baixa 3 livros sobre o assunto, abre 6 abas com definições, artigos e matérias. O poder disso é impressionante, o controle sobre a sua própria formação finalmente está com você.
  • Tenha um cronograma: Os cursos bem estruturados já oferecem um cronograma sugerido, mas sempre é bom você ter o seu, encaixado na sua própria rotina, se impondo o tempo para terminar um curso e partir pro próximo.

Nos próximos posts, vou exemplificar melhor como estudo cada um dos temas, com links e comentários para ajudar em específico quem quer estudar linguística computacional e programação.

Anúncios

Tradução – 5 perguntas para Andrew Ng

Como parte da minha iniciativa de fazer a divulgação de discussões e conceitos da linguística computacional e das áreas relacionadas, eu vou colocar aqui no blog a minha tradução livre de alguns conteúdos originalmente em inglês para aumentar o volume de textos, entrevistas, discussões e polêmicas intelectuais em português.

É fundamental para que a área cresça que tenhamos cada vez mais materiais disponíveis para todos!

Para começar esse lado do blog, escolhi uma coisa simples, mas muito interessante: o cientista britânico Andrew Ng fez uma sessão de Perguntas e Respostas pra rede social Quora (baita rede social, por um acaso!), em que fala um pouco sobre Inteligência Artificial, aprendizado de máquina e os impactos dessas tecnologias na vida de todo mundo.

Traduzi aqui apenas algumas das respostas dele, aquelas que têm mais a ver com o blog.

andrew_ng

Andrew Ng é um ex-professor de Stanford [Correção: ele ainda dá aula em Stanford, mesmo tendo as outras funções citadas aqui!], agora pesquisador na empresa Baidu , especialista em aprendizado de máquina. Mesmo que você nunca tenha ouvido falar dele (e estranhado a falta de vogais nesse sobrenome Sino-Tibetano), com certeza você já topou com o Coursera, empresa que o Ng fundou junto com Daphne Koller para difundir ensino de qualidade de graça pela internet. Ele mesmo oferece um curso na plataforma, sobre Aprendizado de Máquina. É muito bacana!

O conteúdo original completo está nesse link aqui: Andrew Ng Session.

Mãos à obra!
Como o trabalho e os empregos vão mudar nos próximos 10-20 anos?

Se você é um caminhoneiro de 50 anos que de repente perde o seu emprego por causa do surgimento da condução autônoma, o que você pode fazer?

A nossa sociedade é ótima para dar grandes oportunidades para pessoas muito bem treinadas. O problema surge quando algo como 30 anos de experiência de trabalho de repente perde o valor. Nesse caso, nós temos a obrigação moral de ajudar essas pessoas a adquirir novas habilidades e ir atrás de novas oportunidades. Felizmente, como o crescimento dos MOOCs (Cursos Massivos, Online e Abertos)  e outras formas de educação massiva (como o Coursera, Khan AcademyLynda, etc.), nós podemos fazer isso com muito pouco curso. Eu não estou preocupado com a falta de oportunidades para trabalhos vitais nos próximos 20 anos — ainda há muita coisa que os humanos podem fazer que nenhuma máquina de hoje ou do futuro próximo não conseguem. O que me preocupa é necessidade de treinar novamente as pessoas.

Eu também apoio a iniciativa de renda básica, que daria às pessoas uma rede e segurança e um chão a partir do qual elas poderiam adquirir as novas habilidades. Nossa sociedade atual a nossa realidade política indicam que a gente não está pronto para aceitar pagar as pessoas para que elas não ‘façam nada’. Eu acho que nós temos que pagá-las para que elas estudem. Com isso, ninguém fica parado, e nós estamos incentivando os desempregados a fazer alguma coisa que os ajude a voltar para a força de trabalho produtiva.

Eu adorei o livro  de Erik Brynjolfsson e Andrew McAfee, chamado “The Second Machine Age” (W. W. Norton & Company, 2014), que trata desse assunto.

A Inteligência Artificial é uma ameaça para a humanidade?

Se preocupar com uma superinteligência artificial maléfica hoje em dia é como se preocupar com a superpopulação de marte. A gente ainda nem chegou no planeta!

O campo da IA fez progressos tremendos, e eu sou bastante otimista sobre construir uma sociedade mais justa que seja apoiada de cima a baixo pela inteligência de máquinas. Mas a IA de hoje é muito limitada.  Quase todo o valor econômico e social do Deep Learning ainda é baseado em aprendizado supervisionado, que é limitado pela quantidade de dados formatados do jeito certo (ou seja, etiquetados). Ainda que a IA já esteja afetando positivamente a vida de milhões de pessoas, assim como ela está bem direcionada para ajudar mais milhões de pessoas, eu não vejo nenhum caminho realista que leve para uma IA ameaçando a humanidade.

Olhando pra frente, existem diversos outros tipos de IA além do aprendizado supervisionado que eu acho promissores, como o aprendizado não-supervisionado (em que nós temos muito mais dados disponíveis, já que eles não precisam estar etiquetados).

Há bastante empolgação acerca dessas outras formas de aprendizado no meu grupo e em outros. Todos nós estamos a espera de um avanço tecnológico, mas nenhum de nós pode prever quando ele ocorrerá.

Penso que o medo de uma ‘IA assassina malvada’ já está tendo um impacto na forma como os legisladores e líderes alocam recursos, e tudo isso por causa de um fantasma. Existem outros problemas que a IA vai causar, sendo o mais gritante a realocação de empregos. Ainda que a IA irá nos ajudar a construir uma sociedade melhor na próxima década, nós que somos os criadores da inteligência artificial temos que nos responsabilizar para resolver os problemas que nós vamos criar nesse meio tempo. Eu espero que os MOOCs (Coursera) sejam parte da solução, mas nós vamos precisar de mais do que apenas educação.

Como começar uma carreira em Aprendizado de Máquina?

O curso de Stanford de aprendizado de máquina no coursera foi pensado para ajudar o público geral a começar a mexer com aprendizado de máquina. Se você tem conhecimentos em programação (em qualquer linguagem), eu recomendo começar por lá.

Diversas pessoas conseguiram empregos na área de aprendizado de máquina só completando esse MOOC.

Existem outros cursos online similares que podem ajudar: como por exemplo a especialização em ciência de dados do John Hopkins. Participar do Kaggle e de outras competições de aprendizado de máquina também ajudam as pessoas a ganhar mais experiência. O Kaggle tem uma comunidade com discussões online onde você consegue aprender muitas coisas práticas. Participar de encontros e conferências próximas de onde você mora e conversar com pessoas que já estão mais avançadas também são ótimos jeitos de avançar.

Mas o mais importante é continuar a aprender. Não só por alguns meses, mas por anos.

Todo sábado, você vai poder escolher entre ficar em casa para ler algum paper e implementar algum algoritmo ou ver TV. Se você ficar o sábado inteiro trabalhando, provavelmente você não vai ter nenhum retorno imediato, e o seu chefe atual não vai nem saber ou te apoiar. Além disso, depois desse sábado de muito trabalho, você não vai saber muito mais sobre aprendizado de máquina. Mas aqui está o truque: Se você fizer isso não só em um fim de semana, mas ao invés disso por um ano inteiro, você vai ficar muito bom.

Existe muita demanda hoje em dia para pessoas que saibam AM, e uma vez que você trabalhe com isso, seu aprendizado só vai acelerar mais ainda.

O mundo precisa de mais pessoas mexendo com aprendizado de máquina para que os problemas da área sejam resolvidos. Nossa sociedade produz tantos dados e recursos de computação que AM é um tipo de superpoder que te permite criar coisas incríveis. Mas ainda não temos gente o suficiente para fazer tudo o que dá. Eu espero que os leitores queiram trabalhar duro e colaborar com a AM!

Qual a sua opinião sobre Deep Learning?

Deep learning é uma ferramenta incrível que está ajudando muitos grupos a criar aplicações inteligentes muito bacanas. A abordagem está nos ajudando a construir carros que dirigem sozinhos, reconhecimento de voz mais preciso, computadores que compreendem imagens e muito mais.

Apesar de todo esse progresso recente, eu ainda enxergo grandes oportunidades inexploradas adiante. Existem muitos projetos de medicina, financiamento ao consumidor, agricultura de precisão e outros em que eu vejo uma oportunidade clara para que o deep learning tenha um impacto grande, mas que ninguém ainda teve o tempo para se dedicar ainda. Por isso eu acho que o DL não vai estagnar no futuro próximo e sim que vai continuar a crescer bem rápido.

O impacto do deep learning também está sendo exagerado. As redes neurais são muito técnicas e difíceis de explicar, e muitos de nós costumávamos explicá-las fazendo uma analogia com o cérebro humano. Mas a gente não tem ideia de como o cérebro biológico funciona. Michael Jordan, professor de Berkeley, chama o deep learning de um ‘cartoon’ do cérebro biológico, ou seja, uma versão hipersimplificada de algo que a gente não entende – e eu concordo com essa visão. Apesar de estar na moda na mídia, nós não estamos nem perto de construir nada que tenha algo próximo do nível de inteligência de um ser humano. Devido ao fato de que a gente não sabe como o cérebro realmente funciona, as tentativas de simplesmente replicar o pouco que a gente sabe em um computador não resultaram em sistemas de IA úteis de verdade. Na verdade, os trabalhos mais bem sucedidos com deep learning atualmente foram feitos  não copiando a biologia, mas sim a partir de princípios de ciências da computação e engenharia com, na melhor das hipóteses, um toque de inspiração biológica.

No mundo real, se você ouvir alguém dizer: ‘O cérebro faz X. Meu sistema também faz X. Logo, nós estamos no caminho certo para construir um cérebro’, meu conselho é: Fuja!
——————————————

Muitas das ideias usadas no deep learning já estão por aí faz tempo. Por que essa abordagem só está decolando agora, então? As duas chaves para esse crescimento são (i) a quantidade de dados e (ii) a melhora na computação. Com a nossa sociedade gastando cada vez mais tempo em sites e dispositivos móveis, nos últimos 20 anos nós estamos acumulando cada vez mais dados. Só recentemente descobrimos como atingir essa grandeza de modo a construir algoritmos de aprendizado profundo que podem tirar vantagem dessa grande quantidade de dados.

Isso colocou a ciência em dois ciclos positivos, que estão acelerando o progresso do Deep Learning:

Primeiro, agora que temos grandes máquinas prontas para absorver grandes quantidades de dados, o valor do Big Data está mais consolidado. Isso cria um incentivo imenso para se adquirir mais dados, o que por sua vez, cria um incentivo para criar redes neurais maiores e mais rápidas.

Em segundo lugar, o fato de termos implementações velozes de Deep Learning também acaba acelerando inovação, e isso acelera o progresso da pesquisa em DL. Muitas pessoas subestimam o impacto dos investimentos de sistemas computacionais no Deep Learning.

Quando começamos com a pesquisa nessa área, não sabíamos quais algoritmos iam e não iam funcionar, e o nosso trabalho era fazer muitos testes para descobrir isso. Se temos uma estrutura computacional eficiente que deixa você rodar um teste em um dia ao invés de uma semana, o progresso dos seus estudos pode ser algo como 7x mais rápido!

Esse é o motivo pelo qual o meu grupo em Stanford começou a defender mover o processamento de Deep Learning para as GPUs (placas de vídeo) (essa decisão foi bem controversa na época, mas hoje em dia é a praxe); e eu agora defendo mudar esse processamento usando táticas de HPC (Computação de alta-performance/Supercomputação) para fazer esse processamento escalar ainda mais. O aprendizado de máquina deveria adotar completamente o HPC. Esses métodos vão otimizar as pesquisas e ajudar a acelerar ainda mais o progresso científico do campo como um todo.
———————-

Em resumo: Deep Learning já ajudou a IA a fazer progressos tremendos. Mas o melhor ainda está por vir!

O que despertou o seu interesse em inteligência artificial?

Eu quero construir uma sociedade melhor usando inteligência artificial.

Assim como a revolução industrial livrou a humanidade de muita labuta física (como seria a sua vida se você tivesse que costurar suas próprias roupas?), no futuro, a IA vai livrar a humanidade de muita labuta mental. Por exemplo, ter carros autônomos significa que nós não vamos precisar gastar o equivalente a 3 anos de nossas vidas dirigindo. Isso vai nos dar mais tempo para gastar com quem a gente gosta ou perseguindo objetivos mais interessantes!

Eu comecei a implementar redes neurais (que agora chamamos de Deep Learning) quando eu tinha 16 anos. Eu era um estagiário na Universidade Nacional de Singapura. O que nós fazíamos naquela época era completamente trivial se compararmos com o que fazemos hoje, mas na época eu só pensava em como era impressionante que algumas linhas de código faziam um computador aprender!

Trivia nerd: Já que os computadores que usávamos naquela época eram muito lentos para rodar o emacs, eu aprendi a usar o Vi, que até hoje é o meu editor favorito.

Por volta daquela época, eu fiz um estágio em que era o assistente em um escritório, e eu fazia muitas xerox. (Na verdade, eu era o assistente do assistente do lugar.) Foi então que eu me toquei que uma máquina de xerox mais esperta poderia nos ajudar a fazer muitas coisas, de modo que os humanos pudessem fazer as tarefas mais exigentes intelectualmente.

——————-

Na próxima década, a IA vai transformar a nossa sociedade. Ela vai mudar a relação das coisas que a gente faz e das coisas que os computadores fazem por nós. Talvez em algumas décadas, alguém venha aqui no Quora para perguntar: “Como as pessoas faziam quando elas tinham que dirigir os próprios carros?”.

Como começar a estudar Linguística Computacional?

Bom, como eu disse no último post, agora é a hora de fazer algumas indicações sobre como começar a estudar linguística computacional.

Os caminhos são muitos. O que eu posso e quero fazer aqui é compartilhar o que eu fiz, o que achei mais difícil e, principalmente, o que funcionou pra mim e recomendo.

Tive a sorte de fazer parte de um grupo de estudos que se mantém já há uns 4 anos na ativa. Dito isso, fica a primeira dica para quem quer começar a estudar linguística computacional: junte-se com outras pessoas que querem estudar.

Por ser uma área que une campos de estudo que não têm muito contato por aqui, seu aprendizado com certeza vai ser mais proveitoso se compartilhado com colegas que possuem seus próprios backgrounds, experiências e visões.

Nesse aspecto, é importante ressaltar: a Internet e as redes sociais podem ser ótimas ferramentas! Apesar disso, eu sou partidário de começar com o uso de um método de estudo mais antigo: ler.

Nessa primeira incursão, indico alguns livros (e um curso) que falam um pouco de tudo isso: linguística, estatística, computação e linguística computacional. No entanto, esses livros assumem conhecimentos prévios mais específicos ou menos.

1 – Language and Computers – Markus Dickinson, Chris Brew e Detmar Meurers (Wiley-Blackwell, 2012)

ehep002779
Esse livro é a introdução mais amigável ao assunto para quem não possui conhecimentos específicos em ciência da computação ou em linguística.
É uma boa forma de começar a pensar e conhecer as principais questões e aplicações do campo.Os autores apresentam os tópicos pensando em mostrar um panorama geral, com algumas sessões do livro apresentando o que realmente está acontecendo “por baixo dos panos” (ou seja, a parte mais técnica da discussão).
Esse era o livro que eu queria ter lido quando comecei a estudar linguística computacional, minha vida teria sido bem mais fácil!
2- Natural Language Processing with Python – Steven Bird, Ewan Klein e Edward Loper (O’Reilly Media, 2009)
51j6jcrbd-l-_sx258_bo1204203200_
Esse foi o primeiro livro sobre linguística computacional com o qual eu trabalhei. É muito bacana, pois logo no primeiro capítulo você já está com a mão na massa, fazendo a lista de palavras mais frequentes em Moby Dick (alguém chuta qual é a número 1?) e brincando com processamento de linguagem em Python. É um livro de receitas que traz boas explicações.
Mas, peraí! Eu já sabia Python quando peguei esse livro?
 Não! E acho que esse foi o meu maior problema. Começar já colocando a mão na massa é muito divertido, mas eu, por ser linguista de formação e não saber patavinas de programação antes de ir pra essa área, acabei achando muito difícil entender de verdade o que eu estava fazendo, o que o computador estava fazendo e quais eram os meus objetivos a longo prazo.
Se você já conhece Python com alguma segurança e já tem alguma noção de linguística, esse livro vai te levar longe, e você realmente vai se divertir com os exercícios. Mas se esse não for o caso, eu recomendo usar esse livro como um apoio (principalmente por causa dos exercícios) e ir atrás de outras fontes para aprender mais sobre linguística, programação e estatística.
3 – Speech and Language Processing – Daniel Jurafsky e James H. Martin (Prentice Hall, 2008)
41m9fu8xtvl-_sx258_bo1204203200_
Não sou religioso, mas aqui está a sua bíblia.
Esse livro descreve para cientistas da computação toda a área dalinguística computacional.
Primeiro apresenta como esse campo de estudo lida com todas as áreas clássicas da linguística formal (fonética, fonologia, morfologia, sintaxe e semântica), apresentando também os tipos de modelos matemáticos e estatísticos mais usados.
Depois, o livro foca em apresentar como funcionam os princípios por trás dos mecanismos mais bem-sucedidos de todas as áreas da linguística computacional: tradução automática, extração automática de informação, sumarização e outras.
É a principal referência na área. Só não é para iniciantes completos (se você nunca programou na vida, por ex.), então pode acabar gerando dor de cabeça e dar a sensação de que a linguística computacional é inacessível.
Se você já está calejado com a matemática e a programação (na verdade esse livro é menos sobre implementações do que sobre explicar o funcionamento dos algoritmos), esse daqui é o livro certo para se agarrar.
Além disso, o curso de Stanford de Processamento de linguagem natural do Coursera é bastante apoiado nas noções apresentadas nesse livro. É material muito bom mesmo!
4 – Foundations of Statistical Natural Language Processing – Christopher Manning e Hinrich Schütze (MIT Press, 1999)
fsnlp-bigger
O outro livro fundamental da área. Junto com o item 3, compõe o grande repositório de teoria da linguística computacional.
Mais ainda do que o item 3, esse livro não é recomendado para um público leitor leigo:  Apesar de ser um material para o qual eu volto constantemente se preciso entender alguma fórmula, procurar algum conceito ou resolver algum problema, é um livro bastante árido.
É impossível não colocar ele numa lista de livros sobre processamento de linguagem natural, porque ele tem muito conteúdo de qualidade para a área. Mas não é um livro que eu recomendaria para alguém que está entrando em contato com linguística computacional. Se você não é formado em ciências da computação, com uma boa base de estatística, cálculo e teoria da informação, vai ser uma leitura muito complicada.
————————————————————————
Como vocês devem ter notado, infelizmente esses materiais só estão disponíveis em inglês. Por falar nisso, que tal ver por aqui algumas traduções do que vem sendo publicado por aí? Vamos aumentar a quantidade de material dessa área disponível de graça e em português!
Nos próximos posts, eu também vou tentar reunir alguns materiais bons para o estudo de Programação (além de pregar o uso de Python para isso!), de estatística e de linguística. Infelizmente não é fácil encontrar materiais sobre todas essas áreas reunidos num lugar só.
Até lá!
PS: A palavra mais comum em Moby Dick é… ‘the’. Mais sobre isso num futuro próximo!

Linguística computacional – o que é?

Começando esse post com um pouco de Wikipedia:

“A Linguística Computacional ou Processamento de língua natural (PLN, em inglês Natural Language Processing, sigla NLP) é um campo multidisciplinar que envolve a Inteligência Artificial, a Informática, a Estatística e a Linguística e que se utiliza de processos computacionais para manipulação da linguagem humana. Os linguistas computacionais almejam desenvolver, através de modelos lógico-formais ou estatísticos de línguas naturais, sistemas com capacidade de reconhecer e produzir informação apresentada em linguagem natural.”

Bom, no geral é bem isso mesmo. Mas, calma, a gente pode ir um pouco além!

Estudar a linguagem humana é uma empreitada e tanto. Uma consequência da complexidade dessa empreitada é a miríade de abordagens diferentes que temos na linguística: você pode explicar fatos da língua olhando para a sociedade, para o indivíduo, para a relação entre indivíduo e sociedade ou para a espécie do indivíduo (entre outras visões). Todas essas abordagens têm razões, objetivos, sucessos e, também, problemas próprios.

O processamento de linguagem natural é fruto do encontro de inovações tecnológicas (grandes quantidades de dados de língua disponíveis, associadas ao processamento cada vez mais barato e poderoso) com questionamentos (como funciona a língua?) e possibilidades (podemos construir algo que entenda língua?) que já existiam.

Cabe ao linguista computacional fazer essa ponte.

Essa ligação passa justamente por modelar a língua e por, a partir desses modelos, desenvolver aplicações e tecnologias.

As aplicações são muitas, e com certeza você topa com elas diariamente. Tradução automática, correção automática de erros de digitação, pesquisa de documentos na internet, reconhecimento e síntese de voz… A lista é longa, e justifica o destaque que a área tem recebido nos últimos anos.

objavljen-program-ovogodisnjebabel-fish-konferencije-valicon-knowledge-club
Babel Fish – Tradutor automático universal: um sonho antigo!

Os linguistas computacionais nem sempre são linguistas. Na verdade, atualmente grande parte dos pesquisadores da área são cientistas da computação. Só mais recentemente que apareceram alguns esforços por parte dos linguistas de tentar participar das discussões.

Por mais interessante que seja, a composição histórica do campo é assunto para outro post.

A linguística computacional é uma área científica com aplicações amplas e variadas. As disciplinas envolvidas são uma mostra de como essa é uma vertente que ainda tem muita coisa pra ser explorada. No próximo post, vou indicar alguns materiais bacanas para linguistas, programadores e leigos começarem a se divertir com esse universo.

Até lá!

 

Olá, NP!

Bem-vindos ao meu blog!

Meu nome é Bruno Guide, eu sou um linguista formado pela USP e atualmente faço mestrado por lá mesmo, na área de Linguística Computacional.

Passei os últimos anos da minha vida estudando coisas bem específicas, e percebi que não existem muitas iniciativas de falar sobre elas para quem não quer também gastar anos estudando. Assim, decidi que poderia tentar fazer algo a respeito.

Quero falar um pouco sobre linguística, programação, lógica, inteligência artificial, estatística, ciência e pesquisa. É muito , mas eu tenho certeza de que o esforço é válido.

Sintaxe à vontade! (trocadilhos são um mal dos linguistas, peço perdão)