Text Mining

Objectifs et contexte de la formation
Importance du Text Mining dans le contexte actuel
Aperçu du programme

Définition du Text Mining
Principes de base et évolution
Applications pratiques et enjeux dans divers secteurs

Récupération des données textuelles avec les API
Récupération et exploration du corpus de textes
Approches traditionnelles telles que Bag of Words (BoW) et N-Grams
Modèles de langue probabilistes et méthodes statistiques
Prétraitement des données textuelles (suppression des caractères accentués, stemming, lemmatization)

Syntaxe et structure de textes
Vectorisation de mots et de documents
Techniques de word embeddings (Word2Vec, GloVe)
Approches basées sur les modèles de plongement de phrases
Utilisation du modèle TF-IDF, Transformer et Vectorizer
Construction de matrices de termes-document
Sélection des caractéristiques pertinentes pour l’analyse textuelle

Mesures de similarité textuelle
Regroupement de documents (Clustering)
Techniques de réduction de dimension pour l’analyse de similarité
Identification des thèmes latents dans les corpus
Application de méthodes non supervisées à des jeux de données réels
Algorithmes de classification non supervisée

Méthodes classiques de classification supervisée
Prétraitement et normalisation des données
Sélection des caractéristiques pour la classification
Explication des algorithmes tels que Multinomial Naïve Bayes, Régression logistique, Support Vector Machines, Random Forest, Gradient Boosting Machines
Évaluation des modèles de classification textuelle

Introduction au traitement automatique du langage naturel (NLP)
Réseaux de neurones pour le traitement du langage naturel : NLTK, TextBlob, SpaCy, Gensim, Pattern, Stanford CoreNLP
Architectures de réseaux récurrents et réseaux neuronaux convolutifs
Applications avancées du Deep Learning en NLP : Theano, TensorFlow, Keras
RNN, Long Short-Term Memory, modèles bidirectionnels et Sequence-to-Sequence
Modèles RNN pour questions et réponses
Perspectives futures et tendances dans le Text Mining