Ce cours de traitement du langage naturel (PNL) fournit une introduction complète aux techniques et concepts clés de la PNL, aidant les participants à développer des compétences essentielles dans le domaine. Le cours explore les méthodes de traitement de texte, la représentation des mots, l'analyse grammaticale et l'application d'algorithmes d'apprentissage automatique et d'apprentissage profond à diverses tâches de PNL telles que l'analyse des sentiments, la classification de texte et la traduction automatique. Les participants découvriront également les modèles pré-entraînés, tels que BERT et la famille GPT, et comment les utiliser pour créer des applications NLP avancées.
Le cours combine théorie et application pratique, en utilisant le langage de programmation Python et les bibliothèques populaires de PNL et d'apprentissage automatique telles que NLTK, spaCy, TensorFlow et PyTorch. Tout au long du cours, les étudiants participeront à des exercices pratiques et travailleront sur des projets pour renforcer leur compréhension et acquérir une expérience pratique en PNL.
• Histoire, applications et importance du traitement du langage naturel (NLP).
• Techniques de traitement de texte telles que la tokenisation, l'enracinement et la lemmatisation, et comment elles sont utilisées pour préparer les données à l'analyse.
• Les différentes méthodes de représentation des mots dans le contexte du PNL, notamment l'encodage one-hot, le Bag-of-Words (BoW), le TF-IDF et le Word Embeddings.
• Comment mettre en pratique le traitement de texte à l'aide des bibliothèques Python et NLP.
• Analyse syntaxique et grammaticale, y compris analyse constitutionnelle/dépendante, marquage de parties du discours (POS) et reconnaissance de nom d'entité (NER).
• Techniques d'analyse des sentiments et de classification de texte, ainsi que stratégies de sélection des fonctionnalités pertinentes.
• Comment effectuer une analyse des sentiments à l'aide d'algorithmes d'apprentissage automatique et d'apprentissage profond.
• Modèles Seq2Seq et concepts clés associés, tels que l'Encodeur-Décodeur et le mécanisme d'attention, ainsi que les domaines d'application pertinents.
• Modèles pré-entraînés tels que BERT et la famille GPT (y compris ChatGPT), et comment ils peuvent être utilisés dans les problèmes de PNL.
• Méthodes d'évaluation des performances des modèles PNL, défis sur le terrain et orientations futures du développement de la PNL.
- Compétences de base en programmation (familiarité avec Python), compréhension fondamentale des techniques d'apprentissage automatique, expérience avec les bibliothèques ML en Python, connaissances de base du Deep Learning.
• Introduction à la PNL : histoire, applications et signification.
• Traitement de texte : Tokenisation, racine, lemmatisation, etc.
• Représentation de mots : One-hot, BoW, TF-IDF, Word Embeddings.
• Application pratique : Traitement de texte à l'aide des bibliothèques Python et NLP.
• Analyse syntaxique et grammaticale : analyse constitutive/dépendante, marquage POS, NER.
• Analyse des sentiments/classification de texte : techniques et sélection de fonctionnalités.
• Application pratique : analyse des sentiments avec des algorithmes ML et apprentissage profond.
• Modèles Seq2Seq : Encodeur-Décodeur, mécanisme d'attention, applications.
• Modèles pré-entraînés : BERT, famille GPT (y compris ChatGPT).
• Paramètres d'évaluation, défis et orientations futures en PNL.
Il n'y a aucune recommandation pour l'instant.
Après ce cours, vous recevrez un certificat d'achèvement.
