CAT É G O R I E : E X P E RT • T H É M AT I Q U E : I A / DATA • P R O G R A M M E S CO U RTS
Programme F O C U S 7 Convolutional Neural
Networks (CNN)
FOCUS 1 Introduction au NLP Introduction, filters, padding, convolution
in NLP
C’est quoi le NLP, Applications du NLP,
Défis du NLP
FOCUS 8 Recurrent Neural Networks
(RNN)
FOCUS 2 Prétraitement de texte
CNN vs RNN, recurrence in neural networks,
Collecte de données (web scraping, social
applications of RNN
media, open data sources)
Tokenization, stopwords, stemming, lem-
matization
FOCUS 9 Long Short-Term Memory
(LSTM)
FOCUS 3 Extraction d’information Introduction, LSTM structure, LSTM ap-
plications
Part-of-speech (POS) tagging
Named-entity recognition (NER)
NLP : Natural
F O C U S 4 Term frequency inverse
Language document frequency (TFIDF) Objectifs
Processing bag-of-words, vectorization, term fre-
quencies, vector space in NLP, document
• Comprendre les différentes applications de
l’analyse de texte et le rôle du NLP
[Link]
similarity, calculation, Zipf’s law, inverse
Ce cours décrit les outils et techniques nécessaires document frequency • Apprendre à collecter et à traiter des données
pour l’exploration, le traitement et l’analyse des textuelles brutes et à les transformer en informa-
données textuelles. Il montre comment appliquer des FOCUS 5 Word Embeddings tions interprétables par la machine
techniques d’apprentissage automatique (machine • Apprendre le concept du word embedding et
word vectors, vector-oriented reasoning,
learning) et d’analyse de données sur du texte pour les différentes transformations du texte dans
Word2Vec
le transformer en données compréhensibles par l’espace vectoriel
other word embedding libraries (GloVe,
•
machine, et appliquer des opérations telles que
FastText), visualization, document simi- • Appliquer la régression logistique et la méthode
E F R E I F O R M AT I O N E X É C U T I V E
l’analyse des sentiments, la détection de spam, la
larities with Word2Vec Bayésienne pour analyser des sentiments, résumer
traduction automatique, etc. Ce cours se concentre
de texte et traduire des mots
sur l’application de techniques d’apprentissage
profond (Deep Learning), sans aller profondément
FOCUS 6 Neural Networks
• Utilisez des réseaux de neurones récurrents (RNN)
dans la théorie mathématique mais plutôt en utilisant Introduction, the perceptron, back pro- et des LSTM pour l’analyse des sentiments, la
des modèles pré-implémentés pour les tâches du pagation génération de texte et la reconnaissance d’entités
NLP (Natural Language Processing) nommées
CAT É G O R I E : E X P E RT • T H É M AT I Q U E : I A / DATA • P R O G R A M M E S CO U RTS
NLP : Natural Language Processing
Pédagogie et ressources Sanction de la formation
La formation s’articule autour d’exposés, d’ateliers Une attestation de fin de formation résumant
pratiques et de partages de retours d’expérience. les objectifs visés par la formation est remise au
participant à l’issue de la formation.
Modalités d’évaluation Format
Évaluation des acquis tout au long de la session
Prix Présentiel ou distanciel (via l’outil Teams)
par des travaux pratiques. 2 100€ HT* par participant
Moyens techniques Direction pédagogique
En fonction du format, distanciel via l’outil Teams, Salim NAHLE
en présentiel, salle de formation équipée de postes
de travail informatiques disposant de tous les
logiciels nécessaires au déroulement de la formation, Contact Durée
salle moderne climatisée, accès à l’environnement [Link]@[Link] 3 Jours (21 heures)
numérique Efrei.
[Link].22
[Link]
Prérequis * Prix HT, les déjeuners des jours de formation sont inclus.
Prix, dates, équipes pédagogiques et contenu des programmes
Connaissance basique du Python. sont susceptibles de changer.
Délai d’accès entre 3 et 5 jours ouvrés
Connaissance basique du machine learning et Accessibilité́ : [Link]/ecole-ingenieur/efrei-for-good/
Contact : [email protected]
réseaux de neurones.
Dates
1ère session : 16 au 18 juin 2025
•
Profil du participant
E F R E I F O R M AT I O N E X É C U T I V E
2ème session : 6 au 8 octobre 2025
Ingénieurs ou chef de projet data/IA ayant une
première expérience en machine learning et en
Python.
I NS C R I PT I O N
