Formation Traitement du langage naturel (TLN) - IA/Robotique

Plan de formation détaillé

1. Introduction au TLN
   • Compréhension du TLN
   • Cadres de travail (frameworks) pour le TLN
   • Applications commerciales du TLN
   • Extraction de données à partir du Web
   • Utilisation de diverses API pour récupérer des données textuelles
   • Manipulation et stockage de corpus textuels, sauvegarde du contenu et des métadonnées pertinentes
   • Avantages de l'utilisation de Python et cours accéléré sur NLTK
2. Compréhension pratique d'un corpus et d'un ensemble de données
   • Pourquoi avons-nous besoin d'un corpus ?
   • Analyse de corpus
   • Types d'attributs de données
   • Formats de fichiers différents pour les corpus
   • Préparation d'un ensemble de données pour les applications de TLN
3. Compréhension de la structure des phrases
   • Composantes du TLN
   • Compréhension du langage naturel
   • Analyse morphologique - racine, mot, jeton, étiquettes de discours
   • Analyse syntaxique
   • Analyse sémantique
   • Gestion de l'ambiguïté
4. Prétraitement des données textuelles
   • Corpus - texte brut
     • Segmentation de phrases (tokenization)
     • Extraction de racines (stemming) pour le texte brut
     • Lématisation du texte brut
     • Suppression des mots vides (stop words)
   • Corpus - phrases brutes
     • Segmentation de mots (tokenization)
     • Lématisation des mots
   • Travail avec les matrices terme-document / document-terme
   • Segmentation du texte en n-grammes et en phrases
   • Prétraitement pratique et personnalisé
5. Analyse des données textuelles
   • Fonctionnalités de base du TLN
     • Analyseurs (parsers) et analyse syntaxique (parsing)
     • Étiquetage des catégories grammaticales (POS) et étiqueteurs
     • Reconnaissance d'entités nommées
     • N-grammes
     • Modèle du 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 fonctionnalités avancé et TLN
     • Notions de base 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 : résumé automatique de textes à l'aide des algorithmes de Luhn simplifiés et authentiques
6. Regroupement, classification et modélisation thématique des documents
   • Regroupement de documents et exploration de motifs (clustering hiérarchique, k-moyennes, etc.)
   • Comparaison et classification des documents à l'aide des mesures de distance TFIDF, Jaccard et cosinus
   • Classification de documents à l'aide de Bayes naïf et d'entropie maximale
7. Identification des éléments textuels importants
   • Réduction de la dimensionalité : Analyse en composantes principales, Décomposition en valeurs singulières, Factorisation de matrices à valeurs non négatives
   • Modélisation thématique et récupération d'informations à l'aide de l'Analyse sémantique latente
8. Extraction d'entités, analyse des sentiments et modélisation thématique avancée
   • Positif vs négatif : degré de sentiment
   • Théorie de la réponse aux éléments (Item Response Theory)
   • Étiquetage des catégories grammaticales et son application : trouver les personnes, lieux et organisations mentionnés dans un texte
   • Modélisation thématique avancée : Allocation de Dirichlet latente
9. Études de cas
   • Extraction d'informations à partir d'avis d'utilisateurs non structurés
   • Classification et visualisation des sentiments dans les données d'avis sur les produits
   • Extraction de motifs d'utilisation à partir des journaux de recherche
   • Classification de textes
   • Modélisation thématique