Text mining - niveau avancé : optimisez vos analyse de données

• Maîtriser les concepts fondamentaux du text mining et les techniques statistiques associées.
• Appliquer le processus d'extraction de caractéristiques à partir de données textuelles et comprendre son importance dans l'analyse de texte.
• Effectuer des sélections et des classements efficaces au sein de grands volumes de données textuelles pour faciliter l'analyse.
• Sélectionner l'algorithme de classification le plus approprié en fonction de la nature des données et des objectifs de l'analyse.
• Evaluer de manière critique les performances prédictives d'un algorithme en utilisant des mesures appropriées.
• Développer une capacité à interpréter les résultats de l'analyse textuelle pour une prise de décision éclairée.

1. LES APPROCHES TRADITIONNELLES EN TEXT MINING

• Découverte des API pour récupérer des données textuelles
• Étude de la préparation des données textuelles en fonction de la problématique
• Apprentissage de la récupération et l'exploration du corpus de textes
• Mise en pratique de la suppression des caractères accentués et spéciaux
• Introduction au Stemming, Lemmatization et suppression des mots de liaison
• Synthèse des acquis pour nettoyer et normaliser les données

2. FEATURE ENGINEERING POUR LA REPRÉSENTATION DE TEXTE

• Compréhension de la syntaxe et la structure du texte
• Exploration du modèle Bag of Words et Bag of N-Grams
• Approfondissement du modèle TF-IDF, Transformer et Vectorizer
• Découverte du modèle Word2Vec et l’implémentation avec Gensim
• Présentation du modèle GloVe
• Étude du modèle FastText

3. LA SIMILARITÉ DES TEXTES ET CLASSIFICATION NON SUPERVISÉE

• Comprendre les concepts essentiels de similarité
• Analyse de la similarité des termes : distances Hamming, Manhattan, Euclidienne et Levenshtein
• Étude de la similarité des documents
• Explication d'Okapi BM25 et le palmarès de classement
• Introduction aux algorithmes de classification non supervisée

4. LA CLASSIFICATION SUPERVISÉE DU TEXTE

• Prétraitement et normalisation des données
• Découverte des modèles de classification
• Étude du modèle Multinomial Naïve Bayes
• Approfondissement de la Régression logistique et des Support Vector Machines
• Introduction à l'algorithme Random Forest et aux Gradient Boosting Machines
• Évaluation des modèles de classification

5. NATURAL LANGUAGE PROCESSING ET DEEP LEARNING

• Présentation des librairies NLP : NLTK, TextBlob, SpaCy, Gensim, Pattern, Stanford CoreNLP
• Découverte des librairies Deep Learning : Theano, TensorFlow, Keras
• Étude du Natural Language Processing et des Recurrent Neural Networks
• Approfondissement des RNN et Long Short-Term Memory
• Introduction aux modèles bidirectionnels RNN et Sequence-to-Sequence
• Questions et réponses avec les modèles RNN