Formation Text Mining : Extraction d'informations clés par la pratique

Programme de la formation
Text Mining : Extraction d'informations clés par la pratique

• Introduction au Text Mining

  - Définition et enjeux du Text Mining
  - Cas d'usage et panorama des applications
  - Cycle de vie typique d'un projet de Text Mining

• Préparation de données textuelles I

  - Collecte de corpus textuels (API, web scraping simple)
  - Nettoyage : suppression des caractères spéciaux et HTML
  - Normalisation du texte : minuscules, gestion des encodages

• Préparation de données textuelles II
• Représentation numérique du texte : TF-IDF
• Exploration et Visualisation des données texte

  - Statistiques descriptives sur le texte (longueur, vocabulaire)
  - Nuages de mots (Word Clouds)
  - Visualisation de distributions de termes

• Techniques d'extraction d'information I

  - Reconnaissance d'entités nommées (NER)
  - Extraction de faits et de relations simples
  - Utilisation de règles et expressions régulières (Regex)

• Techniques d'extraction d'information II

  - Introduction à l'apprentissage automatique pour l'extraction
  - Feature engineering à partir du texte
  - Cas pratique : extraction d'informations clés de documents

• Introduction à la classification de texte

  - Principes de la classification supervisée
  - Algorithmes classiques (Naïve Bayes, SVM) appliqués au texte
  - Préparation de données pour la classification

• Analyse de Sentiment

  - Définition et applications de l'analyse de sentiment
  - Approches lexicales et basées sur l'apprentissage
  - Cas pratique : classification de sentiments de commentaires

• Modélisation thématique (Topic Modeling)
• Intégration et Déploiement

  - Mise en place d'un pipeline complet de Text Mining
  - Considérations sur la performance et le passage à l'échelle
  - Bonnes pratiques de production et de maintenance

• Cas pratiques et perspectives

  - Étude de cas complexes et résolution de problèmes
  - Introduction aux embeddings de mots (Word2Vec, GloVe)
  - Les prochaines étapes : Deep Learning pour le NLP