Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
En tant que data scientist, vous serez souvent amené à extraire des informations clés de vastes corpus de texte, à nettoyer des données désordonnées contenant des chaînes, ou à détecter et faire correspondre des motifs pour trouver des éléments utiles. Toutes ces situations relèvent du text mining et constituent une étape importante avant d’appliquer des algorithmes de Machine Learning. Ce cours vous aidera à maîtriser des notions essentielles de manipulation de chaînes et d’expressions régulières. Vous apprendrez à scinder des chaînes, à les recombiner, à les interpoler, ainsi qu’à détecter, extraire, remplacer et faire correspondre des chaînes à l’aide d’expressions régulières. Pour progresser, vous travaillerez sur des jeux de données contenant des critiques de films ou des tweets en direct pour l’analyse d’opinions, ainsi que sur du texte brut collecté sur le web.
Prérequis
Programme de formation
Plan du cours
1
Notions de base sur la manipulation de chaînes
Commencez votre exploration du monde des expressions régulières ! Du découpage et de la concaténation, au changement de casse, à la suppression d’espaces, jusqu’à la recherche et au remplacement de chaînes. Vous allez apprendre à maîtriser les opérations de base pour manipuler des chaînes à l’aide d’un jeu de données de critiques de films.
- Introduction à la manipulation de chaînes50 XP
- Premier jour !100 XP
- Avis artificiels100 XP
- Palindromes100 XP
- Opérations sur les chaînes50 XP
- Normaliser les critiques100 XP
- Il est temps d’assembler !100 XP
- Découper des lignes ou découper la ligne ?100 XP
- Rechercher et remplacer50 XP
- Recherche d’une sous-chaîne100 XP
- Où se trouve le mot ?100 XP
- Remplacer les négations100 XP
2
Mise en forme des chaînes
Poursuivons : vous découvrirez les principales approches pour formater ou interpoler des chaînes en Python à l’aide d’un jeu de données recueillant des informations extraites du web. Vous étudierez les avantages et limites du formatage positionnel, de l’insertion d’expressions au sein de constantes de chaîne, et de l’utilisation de la classe Template.
3
Expressions régulières pour la détection de motifs
Il est temps d’aborder les concepts fondamentaux des expressions régulières ! Dans ce chapitre clé, vous apprendrez la syntaxe de base des expressions régulières. À partir d’un jeu de données réel de tweets destinés à l’analyse de sentiments, vous appliquerez la correspondance de motifs avec des caractères ordinaires et spéciaux, ainsi que des quantificateurs gourmands et non gourmands.
4
Concepts avancés des expressions régulières
Pour la dernière étape, vous étudierez des méthodes plus avancées de correspondance de motifs en utilisant des parenthèses pour regrouper des chaînes ou retrouver le même texte qu’un appariement précédent. Vous verrez aussi comment utiliser les recherches autour (lookaround).
Expressions rationnelles en Python
Cours
terminé
