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

01.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

02.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

03.Préparation de données textuelles II

04.Représentation numérique du texte : TF-IDF

05.Exploration et Visualisation des données texte

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

06.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)

07.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

08.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

09.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

10.Modélisation thématique (Topic Modeling)

11.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

12.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