Formation Data Science : Natural Language Processing (NLP) et Speech Recognition

Introduction au domaine de l'analyse du texte et de la voix

• NLP, NLU, Speech processing et understanding

Natural Language Processing (NLP)

• Les bases du NLP : encoding, regex, tokenisation(n-grams) bag of words
• NLP : la réduction de dimensions
• Nettoyer le texte : stemming, lemmatisation
• Topic modeling : SVD, NMF, LDA
• Word embedding : Word2vec, FastText, etc.

Information Retrieval (IR) : créer un moteur de recherche

• Indexation de contenu, moteur recherche simple
• Réaliser un moteur de recherche intelligent

Natural Language Understanding (NLU)

• Les cas d’usages au travers de mises en pratique :
• Créer un modèle simple d’analyse de sentiments
• Créer un modèle simple de détection d’intention
• Créer un modèle simple de détection d'entités NER
• Méthodologie avancée :
• Mettre en place un modèle de machine learning sur du texte (analyse de sentiment, etc.)
• Modélisation deep learning : Sequence, Bert, HuggingFace
• Consommer une API de NLP :
• Utiliser une API externe

Speech Processing

• Introduction à la donnée audio : signal numérique, encodage
• Speech recognition :
• Entraîner un modèle de speech to text (trigger word detection)
• Utiliser un modèle de speech to text complet (API Cloud, modèle pré-entraîné)

Speech Understanding

• Les cas d’usages :
• Détection intention
• Analyse de sentiments
• Speech analysis :
• Représentation : transformée de Fourier, spectrogramme mel MFCC, (librosa, pyaudio)
• Les particularité du langage parlé : syntaxe, gestion du débit de parole, erreur de transcription
• Speaker Embedding : caractériser le timbre, l’intonation de la voix