Classifieur de tweets haineux
Des informations générales:
Le niveau |
Master |
Titre |
Classifieur de tweets haineux |
SPECIALITE |
Génie Informatique |
Page de garde:
Sommaire:
Introduction générale
Introduction
CHAPITRE I: ANALYSE DES SENTIMENTS
1.2 Analyse des sentiments
1.2.1 Caractéristiques de l’analyse des sentiments
1.3 Les applications de l’analyse du sentiment
1.4 1.4.1 Algorithmes d’analyse des sentiments
L’approche automatique
1.4.2 Approche à base de règles (Rule-based)
1.4.3 Approche hybride.
1.5 L’analyse des sentiments et Twitter
1.5.1 Twitter et tweet
1.5.2 Caractéristiques d’un tweet
1.5.3 L’analyse des sentiments avec Twitter
1.5.4 Analyse qualitative Twitter
1.6 Outils d’analyse de sentiments.
1.6.1 Senti WordNet
1.6.2 Sentiment 140.
1.6.3 Tweetfeel.
1.6.4 Twitrratr
1.6.5 Tweet Sentiments Analyses
1.7 Mesures de performance de la classification des sentiments
1.7.1 La matrice de confusion
1.7.2 Accuracy, precision, recall and F-measure.
1.7.3 La courbe ROC et AUC
1.8 Conclusion
CHAPITRE II : DEEP LEARNING
2.1 Introduction .
2.2 Histoire du deep learning
2.3 Apprentissage en profondeur
2.4 Les applications de l’apprentissage en profondeur .
2.4.1 La reconnaissance faciale.
2.4.2 La détection d’objets
2.4.3 Le traitement du langage natural.
2.5 Le réseau neuronal.
2.5.1 Fonctionnement du neurone artificiel
2.5.2 Avantages et inconvénients des réseaux neurones
2.5.2 Architectures de réseaux de neurones profonds
2.6 2.6.1 Les réseaux neuronaux récurrents (RNN) : LSTM (long short term memory).
2.6.2 Architecture LSTM:
2.7 La Promesse de l’apprentissage en profondeur
2.8 Conclusion
CHAPITRE III: Conception & Implémentation
Introduction :
3.1 Les outils d’expérimentation utilisés
3.2 Architecture générale du système
3.3 Description du dataset
Les étapes du prétraitement .
Prétraitement
Annotation via une ressource lexicale
Base d’apprentissage :
Analyse de la base d’apprentissage :
Extraction et Présentation des descripteurs
Tokenisation
Stop Words
LaLemmatisation
Partie du marquage de la parole (POST).
Représentation vectorielle du texte La transformation des caractéristiques
La classification des tweets
Train et test.
Quelquesalgorithmesde ML
Evaluation des résultats
Matrice de Confusion
Résultats de l’apprentissage automatique via sentiwordnet
Résultats de l’apprentissage automatique via le dictionnaire donné
Conclusion
Conclusion générale
Bibliographie
Introduction
CHAPITRE I: ANALYSE DES SENTIMENTS
1.2 Analyse des sentiments
1.2.1 Caractéristiques de l’analyse des sentiments
1.3 Les applications de l’analyse du sentiment
1.4 1.4.1 Algorithmes d’analyse des sentiments
L’approche automatique
1.4.2 Approche à base de règles (Rule-based)
1.4.3 Approche hybride.
1.5 L’analyse des sentiments et Twitter
1.5.1 Twitter et tweet
1.5.2 Caractéristiques d’un tweet
1.5.3 L’analyse des sentiments avec Twitter
1.5.4 Analyse qualitative Twitter
1.6 Outils d’analyse de sentiments.
1.6.1 Senti WordNet
1.6.2 Sentiment 140.
1.6.3 Tweetfeel.
1.6.4 Twitrratr
1.6.5 Tweet Sentiments Analyses
1.7 Mesures de performance de la classification des sentiments
1.7.1 La matrice de confusion
1.7.2 Accuracy, precision, recall and F-measure.
1.7.3 La courbe ROC et AUC
1.8 Conclusion
CHAPITRE II : DEEP LEARNING
2.1 Introduction .
2.2 Histoire du deep learning
2.3 Apprentissage en profondeur
2.4 Les applications de l’apprentissage en profondeur .
2.4.1 La reconnaissance faciale.
2.4.2 La détection d’objets
2.4.3 Le traitement du langage natural.
2.5 Le réseau neuronal.
2.5.1 Fonctionnement du neurone artificiel
2.5.2 Avantages et inconvénients des réseaux neurones
2.5.2 Architectures de réseaux de neurones profonds
2.6 2.6.1 Les réseaux neuronaux récurrents (RNN) : LSTM (long short term memory).
2.6.2 Architecture LSTM:
2.7 La Promesse de l’apprentissage en profondeur
2.8 Conclusion
CHAPITRE III: Conception & Implémentation
Introduction :
3.1 Les outils d’expérimentation utilisés
3.2 Architecture générale du système
3.3 Description du dataset
Les étapes du prétraitement .
Prétraitement
Annotation via une ressource lexicale
Base d’apprentissage :
Analyse de la base d’apprentissage :
Extraction et Présentation des descripteurs
Tokenisation
Stop Words
LaLemmatisation
Partie du marquage de la parole (POST).
Représentation vectorielle du texte La transformation des caractéristiques
La classification des tweets
Train et test.
Quelquesalgorithmesde ML
Evaluation des résultats
Matrice de Confusion
Résultats de l’apprentissage automatique via sentiwordnet
Résultats de l’apprentissage automatique via le dictionnaire donné
Conclusion
Conclusion générale
Bibliographie
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.