Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 21 heures
Plan du cours
Programme de formation détaillé
- Introduction au TLN
- Compréhension du TLN
- Frameworks de TLN
- Applications commerciales du TLN
- Extraction de données du web (scraping)
- Travail avec diverses API pour récupérer des données textuelles
- Travail et stockage de corpus textuels, sauvegarde du contenu et des métadonnées pertinentes
- Avantages de l'utilisation de Python et initiation rapide à NLTK
- Compréhension pratique d'un corpus et d'un jeu de données
- Pourquoi avons-nous besoin d'un corpus ?
- Analyse de corpus
- Types d'attributs de données
- Différents formats de fichiers pour les corpus
- Préparation d'un jeu de données pour les applications TLN
- Compréhension de la structure des phrases
- Composantes du TLN
- Compréhension du langage naturel
- Analyse morphologique - racine, mot, jeton (token), étiquettes de parole
- Analyse syntaxique
- Analyse sémantique
- Gestion de l'ambiguïté
- Prétraitement des données textuelles
- Corpus - texte brut
- Segmentation des phrases (tokenization)
- Réduction à la racine (stemming) du texte brut
- Lemmatisation du texte brut
- Suppression des mots vides (stop words)
- Corpus - phrases brutes
- Segmentation des mots (tokenization)
- Lemmatisation des mots
- Travail avec les matrices Terme-Document / Document-Terme
- Segmentation du texte en n-grammes et phrases
- Prétraitement pratique et personnalisé
- Corpus - texte brut
- Analyse des données textuelles
- Fonctionnalités de base du TLN
- Analyseurs et analyse (parsing)
- Étiquetage des parties du discours (POS tagging) et étiqueteurs
- Reconnaissance d'entités nommées
- N-grammes
- Modèle de sac de mots (Bag of words)
- Fonctionnalités statistiques du TLN
- Concepts d'algèbre linéaire pour le TLN
- Théorie probabiliste pour le TLN
- TF-IDF
- Vectorisation
- Encodeurs et décodeurs
- Normalisation
- Modèles probabilistes
- Génie des caractéristiques avancé et TLN
- Fondamentaux de word2vec
- Composantes du modèle word2vec
- Logique du modèle word2vec
- Extension du concept de word2vec
- Application du modèle word2vec
- Étude de cas : Application du sac de mots : résumation automatique de texte en utilisant les algorithmes de Luhn simplifié et authentique
- Fonctionnalités de base du TLN
- Clustering, classification et modélisation thématique documentaire
- Clustering documentaire et minage de motifs (clustering hiérarchique, k-moyennes, clustering, etc.)
- Comparaison et classification des documents à l'aide des mesures de distance TFIDF, Jaccard et cosinus
- Classification documentaire à l'aide de Naïve Bayes et de l'entropie maximale
- Identification des éléments textuels importants
- Réduction de dimensionnalité : Analyse en Composantes Principales, Décomposition en Valeurs Singulières, Factorisation matricielle non négative
- Modélisation thématique et recherche d'information à l'aide de l'Analyse Sémantique Latente
- Extraction d'entités, analyse de sentiments et modélisation thématique avancée
- Positif vs. négatif : degré de sentiment
- Théorie de la réponse aux items (Item Response Theory)
- Étiquetage des parties du discours et ses applications : recherche de personnes, lieux et organisations mentionnés dans le texte
- Modélisation thématique avancée : Allocation de Dirichlet Latente
- Études de cas
- Minage des avis d'utilisateurs non structurés
- Classification et visualisation des sentiments des données d'avis sur les produits
- Minage des journaux de recherche pour les modèles d'utilisation
- Classification textuelle
- Modélisation thématique
Pré requis
Connaissances et compréhension des principes du TLN, ainsi qu'une appréciation des applications de l'IA dans le contexte des affaires.
Nos clients témoignent (1)
Soutien individuel
Simon the 2nd - Cboost
Formation - ROS: Programming for Robotics
Traduction automatique
