Formation Maîtriser le Traitement du Langage Naturel (NLP) avec Python

Programme de la formation
Maîtriser le Traitement du Langage Naturel (NLP) avec Python

• Introduction au NLP et environnement Python

  - Qu'est-ce que le Traitement du Langage Naturel (NLP) et ses enjeux
  - Panorama des applications du NLP : moteurs de recherche, chatbots, analyse de sentiment
  - Configuration de l'environnement Python pour le NLP (Anaconda, Jupyter, VS Code)
  - Introduction aux bibliothèques clés : NLTK, spaCy, scikit-learn

• Prétraitement du texte et tokenisation

  - Nettoyage du texte : minuscules, suppression ponctuation, caractères spéciaux
  - Tokenisation : mots, phrases, n-grammes
  - Normalisation : racinisation (stemming) et lemmatisation
  - Suppression des mots vides (stopwords) et gestion des synonymes

• Représentation textuelle et vectorisation

  - Bag-of-Words (BoW) et TF-IDF : théorie et application
  - Introduction aux embeddings de mots : Word2Vec, GloVe
  - Utilisation de bibliothèques pour la vectorisation de texte
  - Comparaison des différentes approches de représentation

• Classification de texte et analyse de sentiment

  - Introduction aux algorithmes de classification (Naïve Bayes, SVM, Régression Logistique)
  - Préparation des données pour la classification textuelle
  - Entraînement et évaluation de modèles de classification de texte
  - Cas pratique : construire un classifieur d'analyse de sentiment

• Extraction d'information et Nettoyage de données textuelles

  - Reconnaissance d'Entités Nommées (NER) avec spaCy
  - Extraction de phrases clés et résumés automatiques
  - Utilisation des expressions régulières (regex) pour le traitement de texte
  - Présentation des techniques de web scraping pour données textuelles

• Modélisation thématique (Topic Modeling)
• Introduction aux réseaux de neurones pour le NLP I

  - Rappels sur les réseaux de neurones : perceptron, propagation
  - Introduction aux réseaux de neurones récurrents (RNN) et LSTM
  - Cas d'usage des RNN/LSTM en NLP
  - Préparation des données pour les modèles neuronaux

• Introduction aux réseaux de neurones pour le NLP II et applications avancées

  - Comprendre les architectures Encoder-Decoder
  - Principes des modèles de Transformers (BERT, GPT - sans approfondir)
  - Introduction à la génération de texte et à la traduction automatique
  - Bonnes pratiques et défis futurs du NLP