Text Mining par la pratique : statistiques textuelles, feature engineering, classification et NLP avec Deep Learning

Module 1 — Approches traditionnelles en text mining

• Utiliser les API de collecte de données textuelles
• Préparer les données textuelles selon la problématique cible
• Récupérer et explorer un corpus de textes
• Supprimer les caractères accentués et spéciaux
• Stemming, lemmatisation et élimination des mots de liaison (stop words)
• Assembler le pipeline complet de nettoyage et de normalisation des données textuelles
• Travaux pratiques : recherche de documents, préparation, transformation et vectorisation des données en DataFrame

Module 2 — Feature engineering pour la représentation de texte

• Analyser la syntaxe et la structure du texte
• Modèles Bag of Words et Bag of N-Grams
• Modèles TF-IDF, Transformer et Vectorizer
• Modèle Word2Vec et implémentation avec Gensim
• Modèle GloVe
• Modèle FastText
• Travaux pratiques : extraction de caractéristiques textuelles pour la classification

Module 3 — Similarité des textes et classification non supervisée

• Concepts fondamentaux de la similarité textuelle
• Analyse de la similarité des termes : distances de Hamming, Manhattan, Euclidienne et Levenshtein
• Analyse de la similarité entre documents
• Okapi BM25 et construction d'un classement (ranking)
• Algorithmes de classification non supervisée des textes
• Prétraitement et normalisation des données textuelles
• Travaux pratiques : construction d'un système de recommandation de produits similaires à partir de leurs descriptions

Module 4 — Classification supervisée du texte

• Panorama des modèles de classification supervisée du texte
• Multinomial Naïve Bayes pour la classification de textes
• Régression logistique et Support Vector Machines (SVM)
• Random Forest et Gradient Boosting Machines
• Évaluation des performances des modèles de classification
• Travaux pratiques : mise en œuvre de classifications supervisées sur plusieurs jeux de données

Module 5 — Natural Language Processing et Deep Learning

• Bibliothèques NLP : NLTK, TextBlob, SpaCy, Gensim, Pattern, Stanford CoreNLP
• Bibliothèques Deep Learning : Theano, TensorFlow, Keras
• Natural Language Processing et réseaux de neurones récurrents (RNN)
• RNN et Long Short-Term Memory (LSTM) ; modèles RNN bidirectionnels
• Modèles Sequence-to-Sequence
• Systèmes de questions-réponses basés sur les modèles RNN
• Travaux pratiques : construction d'un RNN pour la génération de nouveau texte