Lettre au lecteur
Pourquoi j'ai écrit ce livre

Partie 1 : Principes de base et fondamentaux de l’exploration de texte

Chapitre 1 : Comparaison des méthodes traditionnelles d'analyse de texte et de l'exploration de texte

Chapitre 2 Exploration de textes, textes et corpus
1.
Définition et utilité de l'exploration de texte
2.
L'importance du texte
3.
corpus

Chapitre 3 Données textuelles
1.
Données textuelles et langage naturel
2.
Structure des données textuelles

Chapitre 4 Prétraitement pour l'exploration de texte
1.
La nécessité du prétraitement des données textuelles
2.
Supprimer les informations de formatage d'un document
3.
Distinction et unification des lettres majuscules et minuscules
4.
Traitement à blanc
5.
Espacement
6.
Traitement des expressions numériques
7.
Supprimez la ponctuation et les caractères spéciaux
8.
Supprimer les mots vides
9.
Identification des racines
10.
Application des n-grammes

Partie 2 Techniques et pratique d'exploration de texte

Chapitre 5 Principales étapes de prétraitement
1.
Tokenisation
2.
Prétraitement de texte à l'aide d'expressions régulières
3.
Supprimer les mots vides
4.
Le prétraitement en pratique à travers des exemples intégrés

Chapitre 6 Analyse de la fréquence des mots
1.
définition
2.
but
3.
Termes clés
4.
Comment présenter les résultats
5.
Note
6.
Diagramme de flux d'analyse de la fréquence des mots
7.
Exemple pratique d'analyse de fréquence des mots en Python
8.
Analyse de fréquence des mots : cas concrets sur papier

Chapitre 7 Modélisation thématique
1.
définition
2.
but
3.
Algorithme
4.
Comment présenter les résultats
5.
Note
6.
Organigramme de modélisation thématique
7.
Exemple pratique de modélisation thématique en Python
8.
Modélisation thématique d'études de cas réels

Chapitre 8 Analyse de clusters
1.
définition
2.
but
3.
Algorithme
4.
Comment présenter les résultats
5.
Note
6.
Diagramme de flux d'analyse de clusters
7.
Exemple pratique d'analyse de clusters en Python
8.
Exemples concrets d'analyse de clusters

Chapitre 9 Analyse des sentiments
1.
définition
2.
but
3.
Algorithme
4.
Comment présenter les résultats
5.
Note
6.
Organigramme d'analyse des sentiments
7.
Exemple pratique d'analyse des sentiments en Python
8.
Analyse des sentiments : études de cas réels

Chapitre 10 : Analyse des mots apparentés
1.
définition
2.
but
3.
Algorithmes et termes clés
4.
Comment présenter les résultats
5.
Note
6.
Diagramme de flux d'analyse des mots apparentés
7.
Exemple pratique de Python pour l'analyse des mots apparentés
8.
Analyse de mots associés : études de cas concrets

Amériques
Recherche

« Ce qui est plus important que la théorie, c'est l'expérience de l'analyser maintenant. »

De nombreux ouvrages sur l'analyse de données prétendent être « compréhensibles même pour les débutants », mais lorsqu'on les ouvre, des formules et des calculs complexes apparaissent comme un obstacle à l'entrée.
Mais ce que les lecteurs veulent vraiment savoir, ce sont des questions pratiques : « Quelle méthode d’analyse convient à mes données ? » et « Comment appliquer et interpréter cette méthode d’analyse ? »
« Text Mining: Learning Through Case Studies » est un livre qui répond à ces questions pratiques.
Les concepts mathématiques complexes sont volontairement exclus, et l'accent est mis sur le développement de compétences pratiques en matière d'analyse et d'interprétation de données textuelles à travers des exemples de recherche concrets, des organigrammes visualisant les procédures d'analyse et des exercices de code Python pouvant être copiés et exécutés immédiatement.
Ce livre offre aux débutants leur première expérience réussie d'analyse, aux praticiens expérimentés l'opportunité d'organiser leurs concepts et de comparer leurs techniques, et aux éducateurs des directives spécifiques pour l'enseignement et la pratique.

- « Un contenu pratique et structuré, immédiatement applicable aux rapports et aux articles. »

Avant tout, ce livre est un ouvrage d'analyse pratique qui couvre tout, des concepts fondamentaux de l'exploration de texte aux principales techniques d'analyse, dans une structure cohérente.
Il se compose de 10 chapitres répartis en 2 parties. La première partie aborde en détail les théories fondamentales telles que la définition de l'exploration de texte, le concept de corpus et les procédures de prétraitement. La seconde partie présente les techniques principales, comme l'analyse de fréquence des mots, la modélisation thématique, l'analyse de clusters, l'analyse des sentiments et l'analyse des mots apparentés, selon le même format « définition-objectif-analyse », sous forme d'organigramme, d'exercices pratiques et d'étude de cas, afin de faciliter la comparaison et l'application des différentes techniques.
Tous les exercices sont basés sur des données et du code Python exécutable utilisés dans des contextes de recherche réels, vous aidant ainsi à acquérir naturellement des compétences pratiques pour aller au-delà du simple apprentissage de concepts et d'expérience et interpréter l'ensemble du processus d'analyse.
Ce livre peut notamment s'avérer utile aux lecteurs suivants :

Pour les chercheurs débutants souhaitant analyser eux-mêmes des données textuelles, cet ouvrage constitue une introduction facilitant l'accès à l'analyse. Pour ceux qui maîtrisent déjà les techniques, il offre une synthèse des connaissances dispersées et permet de comparer différentes approches. Enfin, pour les enseignants et les praticiens chargés d'enseigner l'exploration de textes lors de cours ou d'ateliers, ce livre représente un guide pratique utilisable en contexte pédagogique.
Conçu pour que les lecteurs de tous niveaux de compétence puissent l'utiliser de la manière qui leur convient, ce livre est un guide pratique et adaptable d'exploration de texte, destiné aussi bien à la recherche qu'à l'enseignement.