Formation Text Mining par la pratique


Formation Text Mining par la pratique

Catalogue : Big Data, Intelligence Artificielle



Les approches traditionnelles en Text Mining
• Les API pour récupérer des données textuelles.
• La préparation des données textuelles en fonction de la problématique.
• La récupération et l'exploration du corpus de textes.
• La suppression des caractères accentués et spéciaux.
• Stemming, Lemmatization et suppression des mots de liaison.
• Tout rassembler pour nettoyer et normaliser les données.
Travaux pratiques
La recherche des documents, la préparation, la transformation et la vectorisation des données en DataFrame.
Feature Engineering pour la représentation de texte
• Comprendre la syntaxe et la structure du texte.
• Le modèle Bag of Words et Bag of N-Grams.
• Le modèle TF-IDF, Transformer et Vectorizer.
• Le modèle Word2Vec et l’implémentation avec Gensim.
• Le modèle GloVe.
• Le modèle FastText.
Travaux pratiques
Mise en place des opérations d’extraction des caractéristiques de données textuelles afin d’effectuer des classifications.
La similarité des textes et classification non supervisée
• Les concepts essentiels de similarité.
• Analyse de la similarité des termes : distances Hamming, Manhattan, Euclidienne et Levenshtein.
• Analyse de la similarité des documents.
• Okapi BM25 et le palmarès de classement.
• Les algorithmes de classification non supervisée.
Travaux pratiques
Construire un système de recommandation des produits similaires sur la base de la description et du contenu des produits que vous avez choisi.
La classification supervisée du texte
• Prétraitement et normalisation des données.
• Modèles de classification.
• Multinomial Naïve Bayes.
• Régression logistique. Support Vector Machines.
• Random Forest. Gradient Boosting Machines.
• Évaluation des modèles de classification.
Travaux pratiques
Mise en œuvre des classifications supervisées sur plusieurs jeux de données.
Natural Language Processing et Deep Learning
• Les librairies NLP : NLTK, TextBlob, SpaCy, Gensim, Pattern, Stanford CoreNLP.
• Les librairies Deep Learning : Theano, TensorFlow, Keras.
• Natural Language Processing et Recurrent Neural Networks.
• RNN et Long Short-Term Memory. Les modèles bidirectionnels RNN.
• Les modèles Sequence-to-Sequence.
• Questions et réponses avec les modèles RNN.
Travaux pratiques
Construire un RNN pour générer un nouveau texte.

 

Fiche de la formation



 Cible :

Ingénieurs/chefs de projet IA, consultants IA et toute personne souhaitant découvrir le Text Mining pour le Machine Learning et le Deep Learning.


 Prérequis :

Bonnes connaissances en statistiques. Bonnes connaissances du Machine Learning et du Deep Learning. Expérience requise.


 Durée : 3 jours

 Type : Stage pratique


 Contactez-nous