Machine learning : Traitement du langage naturel avec Python

Table des matières

• Introduction Introduction

  • Bienvenue dans « Machine learning : Traitement du langage naturel avec Python »

    1 m 14 s
  • Connaître les prérequis théoriques et techniques

    2 m
  • Utiliser les fichiers d'exercice

    3 m 16 s
• 1. Appréhender le NLP 1. Appréhender le NLP

  • Comprendre le NLP

    3 m 36 s
  • (Verrouillé)
    Découvrir les domaines et les exemples d'application du NLP

    3 m 38 s
  • (Verrouillé)
    Installer Anaconda

    2 m 57 s
  • (Verrouillé)
    Aborder l'environnement Jupyter

    4 m 30 s
  • (Verrouillé)
    Comprendre le pipeline de modélisation NLP

    3 m 41 s
• 2. Traiter un texte avec Python 2. Traiter un texte avec Python

  • (Verrouillé)
    Stocker un texte brut dans une structure de données Python

    5 m 38 s
  • (Verrouillé)
    Utiliser Pandas pour lire les données

    3 m 55 s
  • Comprendre les expressions régulières

    5 m 24 s
  • (Verrouillé)
    Utiliser les expressions régulières avec le module Re de Python

    4 m 16 s
  • (Verrouillé)
    Étudier les fonctions les plus populaires du module Re

    5 m 39 s
• 3. Préparer les données 3. Préparer les données

  • (Verrouillé)
    Aborder les étapes de préparation des données

    3 m 32 s
  • (Verrouillé)
    Réaliser un exemple de nettoyage de données

    4 m 56 s
  • (Verrouillé)
    Supprimer les stopwords

    5 m 4 s
  • (Verrouillé)
    Réaliser le stemming avec NLTK

    4 m 28 s
  • Pratiquer la lemmatization avec NLTK

    4 m 24 s
  • (Verrouillé)
    Comparer le stemming et la lemmatization

    2 m 30 s
• 4. Transformer un texte en chiffres 4. Transformer un texte en chiffres

  • (Verrouillé)
    Comprendre la vectorisation avec CountVectorizer

    3 m 57 s
  • (Verrouillé)
    Utiliser CountVectorizer

    5 m 3 s
  • (Verrouillé)
    Effectuer une vectorisation contextuelle avec N-Grams

    4 m 49 s
  • (Verrouillé)
    Étudier TF-IDF

    3 m 32 s
  • Utiliser TF-IDF

    5 m 32 s
  • (Verrouillé)
    Appréhender le feature engineering

    4 m 1 s
  • (Verrouillé)
    Ajouter des features aux données

    4 m 36 s
  • (Verrouillé)
    Analyser les features

    4 m 10 s
• 5. Comprendre l'expérience machine learning - NLP 5. Comprendre l'expérience machine learning - NLP

  • (Verrouillé)
    Apprendre la méthode K-fold

    4 m 52 s
  • (Verrouillé)
    Comprendre la matrice de confusion d'un modèle de classification

    4 m 35 s
  • (Verrouillé)
    Comprendre les mesures de performance d'un modèle NLP

    3 m 26 s
  • (Verrouillé)
    Aborder l'overfitting (le surapprentissage)

    4 m 27 s
• 6. Réaliser un modèle de classification avec SVM 6. Réaliser un modèle de classification avec SVM

  • (Verrouillé)
    Modéliser en machine learning

    4 m 21 s
  • (Verrouillé)
    Aborder l'algorithme Support Vector Machine

    4 m 40 s
  • (Verrouillé)
    Utiliser le SVM avec scikit-learn et CountVectorizer

    5 m 49 s
  • (Verrouillé)
    Tester le modèle de classification SVM

    5 m 7 s
  • (Verrouillé)
    Mesurer les performances du modèle de classification SVM

    5 m 12 s
  • Utiliser le SVM avec la cross-validation

    4 m 55 s
  • (Verrouillé)
    Utiliser le SVM avec TF-IDF

    4 m 15 s
• 7. Réaliser un modèle de classification avec le Random forest 7. Réaliser un modèle de classification avec le Random forest

  • (Verrouillé)
    Aborder l'algorithme Random forest

    3 m 32 s
  • (Verrouillé)
    Utiliser Random forest pour construire un modèle de classification

    4 m 35 s
  • (Verrouillé)
    Mesurer les performances d'un modèle de classification Random forest

    4 m
  • (Verrouillé)
    Utiliser Random forest avec K-fold

    4 m 38 s
• 8. Perfectionner un modèle avec l'hyperparamètre 8. Perfectionner un modèle avec l'hyperparamètre

  • (Verrouillé)
    Programmer un hyperparamètre avec le modèle SVM

    5 m 3 s
  • (Verrouillé)
    Programmer un hyperparamètre avec Random forest

    4 m 34 s
  • (Verrouillé)
    Évaluer les résultats d'un hyperparamètre

    4 m 58 s
  • (Verrouillé)
    Tester GridSearchCV avec un SVM

    4 m 53 s
  • (Verrouillé)
    Tester GridSearchCV avec Random forest

    4 m 34 s
• 9. Aller plus loin 9. Aller plus loin

  • (Verrouillé)
    Détecter les features les plus importantes avec le Random forest

    3 m 22 s
  • (Verrouillé)
    Homogénéiser les données avec TF-IDF

    4 m 55 s
  • (Verrouillé)
    Tester Random forest sur des données homogènes

    3 m 31 s
  • (Verrouillé)
    Sélectionner un modèle

    5 m 11 s
• Conclusion Conclusion

  • (Verrouillé)
    Conclure sur le traitement du NLP avec Python

    1 m 53 s