Natural Language Processing (NLP) - Fondements et applications

Auteur: Mohamed CHINY Durée necessaire pour le cours de Natural Language Processing (NLP) - Fondements et applications Niveau recommandé pour le cours de Natural Language Processing (NLP) - Fondements et applications Supports vidéo non disponibles pour ce cours Exercices de renforcement non disponibles pour ce cours Quiz non disponibles pour ce cours
Cours de Natural Language Processing (NLP) - Fondements et applications Dernière mise à jour: 01/05/2026
Le Natural Language Processing (NLP) est une discipline clé de l’intelligence artificielle qui vise à doter les machines de la capacité de comprendre et de produire du langage humain. Ce cours propose un parcours structuré allant des bases de la représentation textuelle aux modèles avancés de deep learning. Nous aborderons les techniques essentielles telles que le prétraitement, l’analyse syntaxique et sémantique, l’extraction de caractéristiques ainsi que les architectures modernes comme les RNN et les Transformers. L’ensemble sera illustré par des applications concrètes telles que la traduction automatique, l’analyse de sentiments... L’objectif est de permettre une maîtrise progressive des concepts et outils afin de concevoir des solutions innovantes en IA linguistique.
COMMENCER

Contenu du cours

Leçon 1
Natural Language Processing (NLP) - Histoire, définition et applications
Leçon 2
Le prétraitement en NPL: du texte brut aux données exploitables
Leçon 3
La normalisation, étape indispensable du prétraitement linguistique
Leçon 4
Tokenisation: comprendre son rôle dans le prétraitement linguistique pour le NLP
Leçon 5
Gestion des stop words en prétraitement NLP
Leçon 6
Le stemming: Réduction lexicale et normalisation des formes
Leçon 7
Lemmatisation: normaliser les texte en retrouvant la forme canonique des mots
Leçon 8
Byte Pair Encoding (BPE) - Tokenisation en sous-mots et réduction du vocabulaire
Leçon 9
WordPiece: tokenisation en sous-mots pour mieux comprendre le langage
Leçon 10
Extraction n-grammes pour enrichir la représentation du langage
Leçon 11
Exploratory Data Analysis (EDA) en NLP - Explorer pour mieux prédire
Leçon 12
Nuage de mots et histogramme de fréquences: outils visuels pour comprendre un corpus
Leçon 13
PoS Tagging: vers une compréhension linguistique approfondie
Leçon 14
Analyse de cooccurrence: étape clé de l'EDA en NLP exploratoire
Leçon 15
Extraction de caractéristiques en NLP: transformer le texte en vecteurs numériques
Leçon 16
Bag of Words (BoW): une approche basique d'extraction de caractéristiques en NLP
Leçon 17
TF-IDF: pondérer l'importance des mots pour mieux représenter le texte
Leçon 18
Word Embedding: comprendre le langage grâce aux vecteurs sémantiques
Leçon 19
Analyse de sentiments en NLP: Etude de cas avec le dataset US Airline Sentiment et VADER
Leçon 20
Analyse de sentiments avec un réseau LSTM: Classification multi-classes des tweets