Machine Learning - Natural Language Processing

réf : BDT-NLP

Objectif de formation : Le traitement du langage naturel NLP (Natural Language Processing) est une branche de l’intelligence artificielle qui aide les ordinateurs à comprendre, interpréter et manipuler le langage humain. Le NLP s’inspire de nombreuses disciplines, notamment l’informatique et la linguistique computationnelle, pour combler le fossé entre la communication humaine et la compréhension de l’ordinateur. Cette formation vise à présenter le NLP, à en comprendre les nuances et le contexte qui l’entoure, ainsi que le traitement par vectorisation (ou « embedding »).

Objectifs pédagogiques

Comprendre les technologies de NLU et les architectures pour les mettre en place
Appliquer des modèles sémantiques structurés sur des applications de récupération d’information
Appliquer les modèles NLP pour résoudre des problèmes de rapprochement sémantique
Manipuler des modèles pré entraînés associé à une architecture innovante (Transformers)

Pré-requis

Maîtriser la programmation python

Notions en IA/Machine learning

Public concerné

Développeurs, ingénieurs, chefs de projets, consultants…

Programme

Introduction à l'IA, Machine Learning & NLP

Définition
Données structurées et non structurées
Exemples d’applications du NLP
Lien avec le Machine Learning

Création d’un corpus, nettoyage de texte et réduction de la dimensionnalité

Interroger les chaînes de caractères et transformer un texte
Définition des regex et fonctions de base de nettoyage
Intérêt de la réduction de dimensionnalité
Différence avec la réduction de dimension
Présentation des méthodes classiques de réduction (Harmonisation, Correction orthographique, Synonymes, Stopwords, Lemmatisation et Stemming )

Travaux pratiques :

Construction de fonctions de nettoyage et normalisation pour le texte français (accents, caractères spéciaux, lemm, stem, stop words, …)

Structurer les données dans des matrices de scores (modèles statistiques)

Présentation du vocabulaire
Matrice termes-documents
Définition des tokens et notions de n-grams
Modèles statistiques classiques en NLP : Word Count, TF-IDF
Influence des données sur le choix des indicateurs

Travaux pratiques

Extraction d’expression caractérisant des commentaires clients

Réalisation d’un algorithme d’apprentissage

Rappels de Machine Learning
Classification binaire (Régression Logistique, Naives Bayes, SVM et Random Forest)

Travaux pratiques :

Application sur un classifier de polarité de document (positif/négatif)

Featurisation du texte et similarité sémantique

Rappels outils d’analyse de distance (Manhattan, Jaccard, Cosinus, …)
Qualification du rapprochement sémantique de documents

Travaux pratiques

Réalisation d’outils de rapprochement sémantique CV/poste d’emploi

Réalisation d’un chatbot 2nd generation (pour FAQ)

Deep Learning & architecture transformers

Word embedding
Rappels RNN
“Attention is all you need”
Modèles pré entrainés BERT
Library NLP / DL : PyTorch, Hugging face et spacy

Travaux pratiques

Manipulation BERT sur “use case” et utilisation de PyTorch & Hugging Face

Équipe pédagogique

Professionnel expert technique et pédagogique

Moyens pédagogiques et techniques

Espace intranet de formation.
Documents supports de formation projetés.
Exposés théoriques
Étude de cas concrets
Mise à disposition en ligne de documents supports à la suite de la formation.

Dispositif de suivi

Émargement numérique.
Mises en situation.
Formulaires d’évaluation de la formation.
Certificat de réalisation de l’action de formation.

Vous avez une question ?

Jours

3 (21 heures)

Prix

2100 € HT

Documentation

Télécharger