> Formations > Technologies numériques > Intelligence Artificielle, Big Data > IA, Machine Learning, analyse de données > Formation Text Mining par la pratique > Formations > Technologies numériques > Formation Text Mining par la pratique

Formation : Text Mining par la pratique

Text Mining par la pratique

Télécharger au format pdf Partager cette formation par e-mail 2


Le Data Mining restreint aux données textuelles - le Text Mining - est de plus en plus utilisé dans les entreprises. Il permet, par exemple, de classer des produits à partir des commentaires des consommateurs. Vous mettrez en œuvre les algorithmes et les outils du Text Mining sur des exemples paradigmatiques.


Inter
Intra
Sur mesure

Cours pratique en présentiel ou en classe à distance

Réf. MMD
Prix : 2280 € H.T.
  3j - 21
Pauses-café et
déjeuners offerts




Le Data Mining restreint aux données textuelles - le Text Mining - est de plus en plus utilisé dans les entreprises. Il permet, par exemple, de classer des produits à partir des commentaires des consommateurs. Vous mettrez en œuvre les algorithmes et les outils du Text Mining sur des exemples paradigmatiques.

Objectifs pédagogiques
À l’issue de la formation, le participant sera en mesure de :
  • Comprendre les méthodes de la statistique textuelle
  • Mettre en œuvre l’extraction des caractéristiques de données textuelles
  • Créer des sélections et des classements dans de grands volumes de données textuelles
  • Choisir un algorithme de classification
  • Évaluer les performances prédictives d'un algorithme

Public concerné
Ingénieurs/chefs de projet IA, consultants IA et toute personne souhaitant découvrir le Text Mining pour le Machine Learning et le Deep Learning.

Prérequis
Bonnes connaissances en statistiques. Bonnes connaissances du Machine Learning et du Deep Learning. Expérience requise.
Vérifiez que vous avez les prérequis nécessaires pour profiter pleinement de cette formation en faisant  ce test.

Programme de la formation

Les approches traditionnelles en Text Mining

  • Les API pour récupérer des données textuelles.
  • La préparation des données textuelles en fonction de la problématique.
  • La récupération et l'exploration du corpus de textes.
  • La suppression des caractères accentués et spéciaux.
  • Stemming, Lemmatization et suppression des mots de liaison.
  • Tout rassembler pour nettoyer et normaliser les données.
Travaux pratiques
La recherche des documents, la préparation, la transformation et la vectorisation des données en DataFrame.

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.
  • Le modèle GloVe.
  • Le modèle FastText.
Travaux pratiques
Mise en place des opérations d’extraction des caractéristiques de données textuelles afin d’effectuer des classifications.

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.
  • Okapi BM25 et le palmarès de classement.
  • Les algorithmes de classification non supervisée.
Travaux pratiques
Construire un système de recommandation des produits similaires sur la base de la description et du contenu des produits que vous avez choisi.

La classification supervisée du texte

  • Prétraitement et normalisation des données.
  • Modèles de classification.
  • Multinomial Naïve Bayes.
  • Régression logistique. Support Vector Machines.
  • Random Forest. Gradient Boosting Machines.
  • Évaluation des modèles de classification.
Travaux pratiques
Mise en œuvre des classifications supervisées sur plusieurs jeux de données.

Natural Language Processing et Deep Learning

  • Les librairies NLP : NLTK, TextBlob, SpaCy, Gensim, Pattern, Stanford CoreNLP.
  • Les librairies Deep Learning : Theano, TensorFlow, Keras.
  • Natural Language Processing et Recurrent Neural Networks.
  • RNN et Long Short-Term Memory. Les modèles bidirectionnels RNN.
  • Les modèles Sequence-to-Sequence.
  • Questions et réponses avec les modèles RNN.
Travaux pratiques
Construire un RNN pour générer un nouveau texte.


Modalités d'évaluation
Le formateur évalue la progression pédagogique du participant tout au long de la formation au moyen de QCM, mises en situation, travaux pratiques…
Le participant complète également un test de positionnement en amont et en aval pour valider les compétences acquises.

Solutions de financement
Pour trouver la meilleure solution de financement adaptée à votre situation : contactez votre conseiller formation.
Il vous aidera à choisir parmi les solutions suivantes :
  • Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
  • Le dispositif FNE-Formation.
  • L’OPCO (opérateurs de compétences) de votre entreprise.
  • Pôle Emploi sous réserve de l’acceptation de votre dossier par votre conseiller Pôle Emploi.
  • Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
  • Le dispositif FNE-Formation.
  • L’OPCO (opérateurs de compétences) de votre entreprise.
  • Pôle Emploi sous réserve de l’acceptation de votre dossier par votre conseiller Pôle Emploi.

Avis clients
3,9 / 5
Les avis clients sont issus des évaluations de fin de formation. La note est calculée à partir de l’ensemble des évaluations datant de moins de 12 mois. Seules celles avec un commentaire textuel sont affichées.
SARAH M.
11/12/23
5 / 5

Beaucoup de méthodes abordées, formateur très pédagogue
SOFIA M.
11/12/23
5 / 5

Formation très dense qui donne envie d’explorer et approfondir l’analyse des données textuelles. Un baguage statistique est plus que nécessaire pour suivre correctement les différentes notions.
ROMAIN T.
11/12/23
4 / 5

Super formateur, vraiment au point sur les sujets abordés. Mais la formation en elle même n’est pas vraiment destinée à mon sens aux développeurs classiques, il s’agît plutôt de la prise en main des outils existant pour des personnes déjà formées à l’analyse statistique. En résumé, j’ai appris / découvert pas mal de choses intéressante, mais je ne les mettrai pas en pratique car sorti des exemples, impossible à appliquer "simplement" dans mon contexte.




Horaires
En présentiel, les cours ont lieu de 9h à 12h30 et de 14h à 17h30.
Les participants sont accueillis à partir de 8h45. Les pauses et déjeuners sont offerts.
En classe à distance, la formation démarre à partir de 9h.
Pour les stages pratiques de 4 ou 5 jours, quelle que soit la modalité, les sessions se terminent à 15h30 le dernier jour.

Dates et lieux
Sélectionnez votre lieu ou optez pour la classe à distance puis choisissez votre date.
Classe à distance