Formation Intelligence Artificielle (IA) - Traitement du langage naturel (NLP)

NLP Introduction

• Comprendre le langage humain, et savoir générer des réponses en respectant les différentes étapes
• Reconnaissance de caractères, ou de la voix
• Conversion des données en texte
• Décomposition en éléments de phrase
• Nettoyage des données
• Traitement de l'ambiguité d'un mot
• Reconnaissance d'une entité nommée (NEM)
• Traitement des multiples références pour une entité
• Extraction des informations subjectives...
• Les outils de NLP et historique
• Outils statistiques, de Machine Learning, de Deep Learning
• Watson NLU
• Python
• Le NLTK
• Applications actuelles
• Solutions de détection de spam
• Traduction automatique
• Assistants virtuels
• Chatbots
• Analyses d'opinions, de sentiments...

Python et le NLTK

• Introduction
• Plate-formes supportées
• Versions de Python
• Présentation des textes et modèles fournis avec le NLTK

Exemple de travaux pratiques (à titre indicatif)

• Installation du package NLTK et des Datasets

Traitement de textes

• Etude des différentes fonctions fournies par le NLTK
• Découpage d'un texte en mots ou en phrases avec nltk.tokenize()
• Nettoyage de textes avec le filtrage de mots
• Stemming avec nltk.stem
• Alertes sur les risques d'un mauvais usage
• Etiquetage des différentes parties d'un texte avec nltk.pos-tag()
• Lemmatisation, pour identifier les formes canoniques des mots
• Identification de phrases avec le chunking

Exemple de travaux pratiques (à titre indicatif)

• Réalisation d'exemples sur des Datasets simples

Analyses de textes

• Description de nltk.ne_chunk() pour la reconnaissance d'identités nommées
• Présentation des fonctions concordance()
• Dispersion_plot()
• FreqDist

Exemple de travaux pratiques (à titre indicatif)

•  Import de corpus de textes, analyse, mise en évidence de l'utilisation de termes caractéristiques

Etude de cas 

• Analyse de sentiments avec nltk.sentiment
• Présentation des fonctions disponibles

Exemples de travaux pratiques (à titre indicatif)

• Mise en oeuvre sur un corpus
• Utilisation de polarity.scores()

Intégration de scikit-learn

• Import des algorithmes de classification de scikit-learn

Exemple de travaux pratiques (à titre indicatif)

• Exemple d'utilisation des algorithmes de scikit-learn depuis nltk