← Retour aux formations

Intelligence Artificielle & Data

NLP avec Python : prétraitement, extraction d'informations, embeddings et modélisation du langage naturel

Intermédiaire
Intelligence Artificielle & Data

À propos de cette formation

Développeurs, data scientists et analystes souhaitant mettre en œuvre des techniques de traitement automatique du langage naturel (NLP) avec Python et ses bibliothèques spécialisées.

Objectifs de la formation

  • check_circleExploiter Python pour manipuler et analyser des données textuelles
  • check_circleSélectionner les bibliothèques Python adaptées à chaque tâche NLP
  • check_circleImplémenter un pipeline complet de prétraitement et de vectorisation de textes
  • check_circleAppliquer les techniques NLP adaptées selon l'objectif : classification, topic modelling, analyse de sentiment
  • check_circleConstruire et évaluer des modèles NLP sur des données réelles

Programme détaillé

Module 1 — Environnement Python pour le NLP

  • Environnement de développement Python / Anaconda / Jupyter Notebook
  • Types de données principaux : chaînes, booléens, nombres, listes, tuples et dictionnaires
  • Structures de contrôle : boucles for et while, test if/elif/else
  • Fonctions : création, passage de paramètres, valeurs par défaut, arguments variables
  • NumPy : vecteurs, matrices, slicing, concaténation
  • Pandas : analyse de données tabulaires (CSV, Excel…), statistiques, pivots, jointures, filtres
  • Travaux pratiques : manipulation de Python dans Jupyter, exercices pandas et NumPy

Module 2 — Prétraitement des données textuelles

  • Nature des données textuelles ; présentation des bibliothèques spaCy et NLTK
  • Tokenisation des mots
  • Suppression des stop-words, de la ponctuation et des éléments non essentiels à l'analyse
  • Lemmatisation vs racinisation (stemming)
  • Travaux pratiques : preprocessing sur des corpus avec les deux bibliothèques, comparaison des résultats, création de listes de stop-words

Module 3 — Extraction d'informations

  • Identification de la nature grammaticale des mots avec le Part Of Speech Tagging (POS)
  • Reconnaissance d'entités nommées (Named Entity Recognition — NER) : personnes, lieux, organisations…
  • Travaux pratiques : mise en place du POS Tagging et du NER, analyse des résultats, filtres sur les catégories grammaticales et les noms propres

Module 4 — Représentation vectorielle des données textuelles

  • Bag of Words
  • Pondération TF-IDF
  • Approche par n-grams
  • Embeddings : Word2Vec, GloVe, FastText…
  • Travaux pratiques : transformation d'un corpus avec les différentes approches (Bag of Words, TF-IDF, Word2Vec, GloVe) ; comparaison des vecteurs obtenus

Module 5 — Machine Learning sur des données textuelles

  • Rappels sur les étapes de construction d'un modèle prédictif
  • Classification de textes
  • Analyse de sentiment
  • Topic modelling
  • Travaux pratiques : modélisation avec différents types de vecteurs (Bag of Words vs embeddings) ; analyse des sentiments sur des tweets

Module 6 — Évaluation des modèles

  • Techniques de rééchantillonnage : jeux d'apprentissage, de validation et de test
  • Test de représentativité des données d'apprentissage
  • Mesures de performance des modèles prédictifs
  • Matrice de confusion
  • Travaux pratiques : construction et évaluation complète d'un modèle NLP

Prérequis

Connaissances en programmation Python.