Utiliser Natural Language Processing (NLP) avec Python

Ce cours en ligne a pour objectif de vous apprendre à réaliser des modèles de type NLP en utilisant le langage Python. La pédagogie s'appuie sur un auto-apprentissage séquencé par actions de l’utilisateur sur l’environnement à maîtriser.

Catalogue

Sur mesure

Formation en ligne

Réf. 4EU

02h15

Prix : 95 € H.T.

Langue : FR

Ce module n’est pas vendu à l’unité.
Tarifs dégressifs selon le nombre
d'apprenants, nous contacter

Objectifs pédagogiques

À l’issue de la formation, le participant sera en mesure de :

Construire un modèle basé sur NLP
Gérer la vectorisation des données et le réglage des hyperparamètres
Utiliser l'application de Random Forest pour la construction de modèles de classification basés sur NLP

Public concerné

Développeurs Python souhaitant réaliser des modèles de type NLP.

Prérequis

Bonnes connaissances du langage Python.

Programme de la formation

Introduction au Natural Language Processing (NLP)

Définition du Natural Language Processing.
Les étapes de modélisation en NLP.
L'évaluation d'un modèle.
La validation croisée d'un modèle.
La matrice de confusion d'un modèle NLP.
L'overfitting.
La distribution Anaconda.
L'environnement Jupyter.

Manipulation et préparation des données textuelles avec Python

Charger des données textuelles.
Connaître les expressions régulières.
Travailler avec le module Re.
Utiliser les fonctionnalités avancées avec le module Re.
Nettoyer un texte.
Supprimer les stopwords.
Utiliser le stemming.
Utiliser la lemmatisation.
Choisir entre le stemming et la lemmatisation.

Vectorisation de données

Introduction aux techniques de vectorisation.
La vectorisation d'un texte avec CountVectorizer.
La vectorisation contextuelle avec N-grams.
La technique TF-IDF.
L'implémentation TF-IDF.
Le Feature Engineering en NLP.
L'ajout de nouvelles Features.
L'analyse et la comparaison des Features.

Modélisation NLP avec Random Forest

Introduction à Random Forest.
Développer un modèle NLP avec Random Forest.
Mesurer les performances d'un modèle.
Gérer la validation k-fold avec Random Forest.
Tester plusieurs paramètres du Random Forest.
Appliquer le GridSearchCV avec Random Forest.
Homogénéiser les données avec TF-IDF.
Calculer l'impact des Features.
Sélectionner un modèle.

Modalités pratiques

Activités digitales

Démonstrations, cours enregistrés, partages de bonnes pratiques, fiches de synthèse.

Pédagogie et pratique;

Une évaluation tout au long de la formation grâce à une pédagogie active mixant théorie, exercice, partage de pratique et gamification. Un service technique est dédié au support de l’apprenant. La formation est diffusée au format SCORM (1.2) et accessible en illimité pendant 1 an.

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 compétence 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.