Natural Language Processing (NLP) avec Python

Présentation de la formation

1:21

Introduction et définition

4:08

Quelques cas d'application

3:48

Les étapes de modélisation en NLP

3:15

Evaluer un modèle

2:19

La validation croisée d'un modèle

3:06

La matrice de confusion d'un modèle NLP

6:34

Repérer l'overfiting

3:32

Installer la distribution Anaconda

1:51

Découvrir l'environnement Jupyter

4:46

Chargement des données textuelles

3:07

Les expressions régulières

7:09

Travailler avec le module Re

3:38

Fonctionnalités avancées avec le module Re

7:29

Nettoyer un texte

4:38

Supprimer les Stopwords

5:33

Le stemming

5:57

La lemmatisation

5:37

Le stemming versus la lemmatisation

3:03

Introduction aux techniques de vectorisation

4:20

La vectorisation d'un texte avec CountVectorizer

6:02

La vectorisation contextuelle avec N-Grams

4:12

La technique TF-IDF

2:15

Implémenter TF-IDF

3:28

Le Feature Engineering en NLP

2:04

Ajout de nouvelles Features

3:03

Analyse et comparaison des Features

2:49

Introduction à Random Forest

6:16

Développer un modèle NLP avec Random Forest

4:18

Mesurer les performances d'un modèle

4:51

La validation k-Fold avec Random Forest

3:13

Tester plusieurs paramètres du Random Forest

6:29

Appliquer le GridSearchCV avec Random Forest

3:59

Homogénéiser les données avec TF-IDF

4:22

Calculer l'impact des Features

4:23

Sélectionner un modèle

5:44

Conclusion générale

1:01