UE Statistique textuelle

• Prétraitement de données textuelles :
  • Nettoyage de données, tokenisation, lemmatisation et racinisation
  • Extraction de caractéristiques et vectorisation des textes (sacs de mots, TF-IDF)
• Analyse exploratoire de données textuelles :
  • Visualisation de données textuelles (nuages de mots, distribution de fréquences)
  • Mesures de similarité et de distance entre textes
• Modélisation statistique de données textuelles
  • Modèles de régression appliqués aux textes, Analyse de la variance
  • Modèles de comptage et modèles probabilistes
• Analyse de sentiments
  • Techniques d’extraction des sentiments
  • Modèles de classification des sentiments
• Thèmes spéciaux en statistique textuelle
  • Analyse de réseaux textuels
  • Topic modeling (LDA, NMF)
  • Modèles de langues et N-grammes

• Traiter et analyser de grands volumes de données textuelles
• Maîtriser un langage de programmation (R ou Python ou…) pour l’analyse de données textuelles
• Extraire des informations pertinentes à partir de textes non structurés
• Créer des visualisations et des résumés de données efficaces pour représenter des informations textuelles

Ignatow, G., & Mihalcea, R. (2016). Text mining: A guidebook for the social sciences. Sage Publications.

Guérin-Pace, F. (1997). La statistique textuelle. Un outil exploratoire en sciences sociales. Population (french edition), 865-887.

Lebart, L., Pincemin, B., & Poudat, C. (2019). Analyse des données textuelles. PUQ.

Silge, J., & Robinson, D. (2017). Text mining with R: A tidy approach. O'Reilly Media