Programming, Math, Natural Language Processing, Artificial Intelligence · course

Traitement Automatique du Lanagage Naturel

avec les outils de l’Intelligence Artifcielle

Objectifs :

1. Savoirs en TAL : grammaires formelles, syntaxe formelle, analyse syntaxique automatique, gestion du multilinguisme,

recherche et extraction d'information, corpus ;

2. Savoirs en Analyse de données pour le TAL : statistique et analyse multidimensionnelle, Visualisation, Transformation

et Représentations des mots ;

3. Savoirs en Intelligence Artificielle pour le TAL : Analyse Statistique, Similarité, Réseau de Neurone, Clustering,

Apprentissage Automatique, Classification des sentiments, Modélisation des topics, création des chatbots ;

4. Savoirs en développement des applications web TAL pour l’importation et l’exploitation de la connaissance basée sur

l’IA.

Prérequis:

Année d’études

Nom de module

Analyse et Représentation des données

Techniques Multimédia

Statistiques

Probabilité

Génie Logiciel

Machine Learning

Mots clés : Traitement Automatique du Langage Naturel (TAL), Natural Langage ToolKit (NLTK),

Cleaning de données, Transformation du texte, Représentation des mots, Analyse des sentiments,

Modélisation de topics, Chatbot

Contenu du cours :

Chapitre 1. Traitement Automatique du Lanagage Naturel (TAL)

1.1. Construction des corpus textuelles : « Scrapping » de données

1.2. Atelier Pratique 0 : Installation de l’environnement de développement : Python, sickit-learn,

NLTK, WordNet, Tensorflow, Flask Wep API

1.3. « Cleaning » de données

1.4. Transformation de données

1.5. Traitement des data frames : Tokenization, Steeming, N-Gram

1.6. Atelier Pratique 1 : du web vers l’analyse automatique de langage

1.7. Représentation des mots :

1.7.1. Méthode Statistique : TF-IDF

1.7.2. Méthodes Neuronales : Word2Vec, FastText

1.8. Machine Learning pour la Classification du texte

1.9. « Topic Modeling » du texte

1.10. Atelier Pratique 2 : Classification supervisée et non supervisée du Texte

1.11. Atelier Pratique 3 : Evaluation de performances

Chapitre 2. TAL pour l’analyse des sentiments

2.1. Présentation de la bibliothèque « Natural Langage ToolKit » (NLTK)

2.2. Construction du corpus de données de l’analyse des sentiments

2.3. Présentation du WordNet

2.4. Représentation neuronale des mots anglais et arabe

2.5. Atelier Pratique 4 : Développement d’une application web pour l’analyse des sentiments

Chapitre 3. TAL pour la modélisation des topics

3.1. Construction des données : log files, e-mails, data frame

3.2. Méthodes de modélisation des topics :

3.2.1. Fréquence et répétition

3.2.2. Analyse en composante Principale, Analyse Discriminante linéaire

3.3. Présentation de WordCloud

3.4. Visualisation des topics

3.5. Atelier 5 : Développement d’une application web pour la modélisation des topics

3.6. Atelier 6 : Application aux données du COVID-19

Chapitre 4. TAL la création des chatbots

4.1. Présentation des agents conversationnels : Architectures et application

4.2. Définition des scénarios conversationnels

4.3. TAL pour les conversations

4.4. Test & Validation des scénarios

3.1. Atelier 6 : Développement d’un chatbot

Traitement Automatique du Langage Naturel avec les outils de l’Intelligence Artificielle

Traitement Automatique du Langage Naturel avec les outils de l’Intelligence Artificielle