Dans ce module, nous vous aiderons à démarrer en vous montrant où accéder au code du cours et aux ressources de soutien. Vous recevrez également des conseils pratiques sur la manière de rester engagé et de tirer le meilleur parti de votre parcours d'apprentissage. Cette configuration de base vous permettra d'être parfaitement préparé pour les leçons à venir.

Dans ce module, nous allons explorer le problème réel de la détection des spams à l'aide de l'apprentissage automatique. Vous acquerrez une solide compréhension de l'algorithme de Classification naïve bayésienne, des principales métriques d'évaluation et de la manière de gérer le déséquilibre des classes. Le module se termine par une mise en œuvre pratique d'un classificateur de spam en Python.

Dans ce module, nous allons nous plonger dans l'analyse des sentiments, une application clé du NLP utilisée pour déterminer le ton émotionnel d'un texte. Vous apprendrez l'Intuit et les mécanismes derrière la régression logistique et explorerez des scénarios binaires et multiclasses. Le module se termine par une mise en œuvre guidée en Python, vous permettant d'appliquer ces concepts en pratique.

Dans ce module, nous explorerons le domaine du résumé de texte et les différentes stratégies utilisées pour condenser de grands volumes de texte. Vous apprendrez à la fois les méthodes basées sur les vecteurs et l'algorithme TextRank plus avancé, avec des explications intuitives et des implémentations pratiques en Python. Cette section comprend des exercices guidés pour tous les niveaux de compétence, garantissant une bonne maîtrise des techniques de résumé.

Dans ce module, nous allons nous plonger dans les techniques de modélisation des sujets qui aident à découvrir les thèmes sous-jacents dans les grands ensembles de données textuelles. Vous explorerez à la fois LDA et NMF, en apprenant la théorie, l'intuition et la mise en œuvre pratique de chacun. À la fin du module, vous serez équipé pour appliquer la modélisation de sujets en Python et analyser les résultats de manière efficace.

Dans ce module, nous explorerons l'Analyse sémantique latente et l'indexation, des techniques utilisées pour découvrir des modèles et des significations cachés dans les données textuelles. Vous acquerrez une compréhension conceptuelle de la décomposition en valeurs singulières et de son application aux tâches NLP. Le module comprend une mise en œuvre basée sur Python et des exercices pour approfondir vos compétences pratiques.