Formation NLP (Natural Language Processing) : Traiter le langage

Programme de la formation
NLP (Natural Language Processing) : Traiter le langage

• Introduction au Traitement du Langage Naturel (NLP)

  - Identifier les composants d'un pipeline NLP.
  - Distinguer les applications courantes du NLP.
  - Décrire les défis spécifiques au traitement du langage humain.

• Prétraitement textuel : Tokenisation et Normalisation

  - Appliquer des techniques de **tokenisation** sur des corpus textuels.
  - Effectuer la **lemmatisation** de mots pour réduire la variabilité lexicale.
  - Gérer les stop words et la ponctuation dans le prétraitement.

• Représentation vectorielle du texte : Word Embeddings

  - Expliquer le principe des **word embeddings**.
  - Utiliser des modèles de plongement lexical pré-entraînés (Word2Vec, GloVe).
  - Comparer les différentes approches de représentation sémantique.

• Classification de texte supervisée

  - Déployer des algorithmes de classification (Naïve Bayes, SVM) pour le texte.
  - Préparer des jeux de données pour la classification textuelle.
  - Interpréter les résultats d'une classification de texte.

• Réseaux de neurones pour le NLP (RNN)

  - Décrire l'architecture des **réseaux de neurones récurrents** (RNN).
  - Appliquer les RNN pour des tâches séquentielles.
  - Identifier les limites des RNN standards.

• Architectures avancées : Transformers

  - Expliquer le mécanisme d'attention des **Transformers**.
  - Utiliser des modèles basés sur les Transformers (BERT, GPT).
  - Comparer les Transformers aux architectures RNN.

• Reconnaissance d'Entités Nommées (NER)

  - Définir la **reconnaissance d'entités nommées**.
  - Appliquer des modèles NER pour extraire des informations clés.
  - Évaluer la performance d'un système NER.

• Analyse de sentiment et opinion mining

  - Mettre en œuvre des techniques d'**analyse de sentiment**.
  - Distinguer les approches basées sur des règles et sur l'apprentissage.
  - Évaluer la polarité et la subjectivité de textes.

• Modélisation thématique (Topic Modeling)

  - Appliquer des algorithmes de **modélisation thématique** (LDA).
  - Identifier les sujets principaux dans un corpus de documents.
  - Interpréter les résultats d'une modélisation thématique.

• Évaluation des systèmes NLP

  - Calculer des métriques d'évaluation (précision, rappel, F1-score).
  - Comparer la performance de différents modèles NLP.
  - Choisir les métriques d'évaluation appropriées selon la tâche.

• Cas d'usage : Filtrage de spams

  - Développer un système de filtrage de spams par **classification de contenu textuel**.
  - Préparer un jeu de données pour l'entraînement d'un filtre anti-spam.
  - Évaluer l'efficacité du système de filtrage.

• Cas d'usage : Extraction d'informations et résumé

  - Extraire des informations clés à partir de documents juridiques.
  - Générer des résumés automatiques d'articles de presse.
  - Appliquer les techniques NLP pour la synthèse de documents.