Les approches traditionnelles en Text Mining

• La récupération et l'exploration du corpus de textes

• Stemming, Lemmatization et suppression des mots de liaison

• Tout rassembler pour nettoyer et normaliser les données

 

Feature Engineering pour la représentation de texte

• Comprendre la syntaxe et la structure du texte

• Le modèle Bag of Words et Bag of N-Grams

• Le modèle TF-IDF, Transformer et Vectorizer

• Le modèle Word2Vec et l’implémentation avec Gensim

 

La similarité des textes et classification non supervisée

• Les concepts essentiels de similarité

• Analyse de la similarité des termes : distances Hamming, Manhattan, Euclidienne et Levenshtein

• Analyse de la similarité des documents

• Les algorithmes de classification non supervisée

​​

La classification supervisée du texte

• Prétraitement et normalisation des données

• Modèles de classification, régression logistique, support Vector Machines, Random Forest, Gradient Boosting Machines

• Évaluation des modèles de classification

​

Natural Language Processing et Deep Learning

• Les librairies NLP : NLTK, TextBlob, SpaCy, Gensim, Pattern, Stanford CoreNLP

• Les librairies Deep Learning : Theano, TensorFlow, Keras

• RNN et Long Short-Term Memory. Les modèles bidirectionnels RNN

• Les modèles Sequence-to-Sequence