Vous êtes
> Formation > Cursus ingénieur
L'UE Traitement Automatique du Langage Naturel et Text Mining vise à découvrir, par la pratique, les fondamentaux (théoriques et logiciels) permettant d'analyser des données textuelles. L'organisation de l'UE repose sur une série de C-TD qui suivent un processus classique de fouille de données textuelles (text mining) : collecte des données textuelles, pré-traitement des données, représentation formelle du texte dans un langage machine, visualisation des données, traitement des données via les techniques d'apprentissage machine (classification, clustering, etc.), évaluation des performances et validation.
1. Introduction au NLP (Natural Language Processing) et TM (Text-Mining) (1 C-TD)
2. Pré-traitement (2 C-TD): Parsing, tokenization, case folding, lemmatisation, stemming, POS-tagging, sentence splitting, stop words removal…
3. Représentation de textes (1 C-TD): Vector Space Model, Bag-of-words model, TF, TF-IDF, Word2vec, GLOVE…
4. Sélection des caractéristiques (1 C-TD): X², mutual information, information gain…
5. Classification de texte (2 C-TD): One VS. Multi class, Bias VS. Variance, Kappa test, training set, validation set, testing set, accuracy, validation set, leave-one-out cross-validation, K-fold cross-validation, precision, recall, F-Measure, confusion matrix…
Les étudiants auront suivi et validé les cours : Probabilités et Statistiques; programmation avec R, programmation avec Python
Cette pondération est compatible avec une organisation des enseignements et des examens en distanciel
Session 1:
- Examen individuel (100 %)
Session 2:
- Examen individuel (100 %)
Cette pondération est compatible avec une organisation des enseignements et des examens en distanciel
N1 = E1
N2 = E2
Le cours est programmé dans ces filières :
Code de l'enseignement : 4GMC14C1
Langue(s) d'enseignement :
Vous pouvez retrouver ce cours dans la liste de tous les cours.
Manning, Christopher D., and Hinrich Schutze. 1999. Foundations of Statistical Natural Language Processing. The MIT Press. Cambridge, Mass.: MIT Press.
Benjamin Bengfort, Rebecca Bilbro, and Tony Ojeda. 2018. Applied Text Analysis with Python: Enabling Language-Aware Data Products with Machine Learning (1st. ed.). O'Reilly Media, Inc.
Christopher D. Manning, Prabhakar Raghavan, and Hinrich Schütze. 2008. Introduction to Information Retrieval. Cambridge University Press, USA.
mise à jour le 14 juin 2021