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

01.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

02.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

03.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

04.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

05.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

06.Modélisation thématique (Topic Modeling)

07.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

08.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