Outils de Traitement de Corpus

Cours d'Outils de traitement de Corpus - PluriTAL

---

Project maintained by EveSa Hosted on GitHub Pages — Theme by mattgraham

👩 Qui suis-je 👩

• Eve Sauvage
• ancienne étudiante du master TAL
• doctorante au LISN à l’université Paris-Saclay
• mon sujet : le traitement des séquences longues avec les modèles d'apprentissage profond

Me joindre :

• 📫 eve.sauvage at lisn dot fr avec “outils de traitement de corpus” dans l’objet svp
• 🌐 https://EveSa.github.io/OutilsTraitementCorpus

🎓 Présenter le cours 🎓

Comment ça va ce passer :

• 6 séances
• du 18 mars au 13 mai
• de 15h30 à 18h30
• En salle 308
• partagé en 3 parties :
  • Une partie cours magistral \→ n’hésitez pas à poser des questions
  • Une partie retours
    • sur le cours
    • préparation du cours d’après (qu’est ce que vous voulez voir la prochaine fois, de quoi vous voudriez entendre parler)
    • un petit point bonnes pratiques
  • Une partie pratique

Évaluation :

On fait un projet de constitution/exploitation de corpus en faisant

Un TP après chaque séance, sauf la première et la dernière, sur Github. 7 séances, 5 TP, 1 projet

Tous vos devoirs devront m’être parvenus avant le 26 mai

3 notes :

2 rendus obligatoires :

un projet de constitution et de traitement de corpus (40%) un post sur la newsletter (\20%) La meilleure des 2 notes (\40%):

les quizz en sessions un devoir sur table à la dernière séance

Index des cours

• Cours 1
• Cours 2
  • slides
  • notebook
• Cours 3
  • slides
  • notebook
• Cours 4
  • slides
  • notebook
  • Dockerfile
• Cours 5
  • voir cours 4
  • notebook
• Cours 6
  • slides

Accès à la newsletter → newsletter

Déroulé des TP

TP 1 :

Partie 1

étude de cas CoNLL 2003 :

1. Quelle type de tâche propose CoNLL 2003 ?
2. Quel type de données y a-t-il dans CoNLL 2003 ?
3. A quel besoin répond CoNLL 2003 ?
4. Quels types de modèles ont été entraînés sur CoNLL 2003 ?
5. Est un corpus monolingue ou multilingue ?

Partie 2

projet:

En vous inspirant des informations que vous avez récupérées pour CoNLL 2003, définissez les besoins de votre projet:

• dans quel besoin vous inscrivez vous ?
• quel sujet allez vous traiter ?
• quel type de tâche allez vous réaliser ?
• quel type de données allez vous exploiter ?
• où allez vous récupérer vos données ?
• sont-elles libres d’accès ?

TP 2:

Récuperer votre corpus de travail à partir d’une resource web (pas d’API)

mettez votre script de crawling et de scraping sur votre github en respectant l’arborescence de dossiers présenté au cours 3

TP 3:

Visualiser votre corpus et réaliser des statistiques de texte

ex. :
1. longueur des textes
2. mots fréquents (zipf)
3. les statistiques adaptées à votre tâche

TP 4 :

• A partir des données que vous avez récupérées, augmentez vos données en créant un dataset synthétique.
• Choississez l’architecture adaptée à votre tâche et trouvez un modèle qui correspond à votre tâche et à cette architecture.

TP 5

• Finetuner le modèle pretrained qui correspond le plus à vos données grâce au trainer d’hugging face

TP 6

• Evaluer votre modèle