v2.5.0 (3618)

Cours scientifiques - IA312 : Traitement automatique du langage naturel

Descriptif

Le traitement automatique des langues est un domaine en pleine expansion. Par exemple, beaucoup d'efforts ont été récemment consacrés au développement de méthodes capables d'analyser les données d'opinion disponibles sur le Web social. Le premier objectif de ce cours est d'aborder les différentes méthodes de traitement de la langue et d'apprentissage automatique sous-jacentes à l'analyse des textes. Durant ce cours, les étudiants acquerront des compétences théoriques et techniques sur les méthodes avancées d'apprentissage automatique et le traitement du langage naturel. 

Les techniques et concepts qui seront étudiés comprennent: 

-processus de langage naturel: tokenisation, marquage de partie de discours, représentation de document et word embeddings 

ressources linguistiques : les lexiques, wordnet 

-classement de texte et catégorisation de texte: méthodes avancées d'apprentissage automatique telles que les réseaux de neurones ou les modèles markov cachés.

24 heures en présentiel (8 blocs ou créneaux)

effectifs minimal / maximal:

10/30

Diplôme(s) concerné(s)

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées

Vos modalités d'acquisition :

 Examen final (QCM) et notation des TP en Python

Le rattrapage est autorisé (Max entre les deux notes écrêté à une note seuil)
  • le rattrapage est obligatoire si :
    Note initiale < 6
  • le rattrapage peut être demandé par l'étudiant si :
    6 ≤ note initiale < 10
L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 1.5 ECTS

Le coefficient de l'UE est : 1

La note obtenue rentre dans le calcul de votre GPA.

L'UE est évaluée par les étudiants.

Programme détaillé

Cours magistraux :   
1. Introduction au NLP CLAVEL Chloe
2. Prétraitement et ressources linguistiques CLAVEL
Chloe
3. Syntaxe et Parsing Jean-Louis Dessalles
4. Classification de texte CLAVEL Chloe
5. Apprentissage profond pour le NLP CLAVEL Chloe
6. Champs de Markov cachés  Laurence Likforman
7. Non-negative Matrix Factorization Slim Essid
8. Analyse d'opinions Chloé Clavel

TP : 
1. Syntax and Parsing Jean-Louis Dessalles (1TH)
2. Naive Bayes for opinion categorization Chloé Clavel (2TH)
3. Text segmentation using Markov Models Laurence Likforman (2TH)
4. NMF For Topic Modelling Slim Essid (1TH)

Mots clés

Traitement du langage naturel, apprentissage automatique, intelligence artificielle, analyse d'opinions
Veuillez patienter