Description

Ce cours vous exposera les méthodes utilisées pour organiser et optimiser l'exploitation de ressources textuelles non structurées. Vous apprendrez à les catégoriser, à les marquer automatiquement ou à les rendre visibles des moteurs de recherche en utilisant des outils comme Apache Solr ou Mahout.

À qui s'adresse cette formation ?

Chefs de projet, administrateurs GED, développeurs, archivistes, documentalistes.

Les objectifs de la formation

Comprendre les enjeux de l'exploitation des ressources textuelles non structurées
Identifier les composants et les étapes du cycle de traitement des contenus
Classifier, catégoriser, marquer automatiquement les contenus

Programme de la formation

• Les enjeux de l'exploitation des contenus non structurés
  • Pourquoi le traitement des ressources textuelles est un enjeu stratégique ? Les particularités du traitement des contenus non structurés.
  • Exploiter les ressources textuelles : créer de la valeur à partir du chaos.
  • Présentation de la plateforme logicielle utilisée pendant la formation.
  • Travaux pratiques Faire une recherche dans un courriel donné en exemple et en extraire un paragraphe particulier.
  • Lister tous les mots du paragraphe et afficher les noms des personnes citées.
• Composants et étapes du cycle de traitement des contenus non structurés
  • Les catégories grammaticales de base.
  • Le système morphologique : racine, préfixe, suffixe.
  • L'identification des unités lexicales (tokenization).
  • La détection des limites de phrase.
  • Travaux pratiques Extraire les phrases d'un article de journal, en lister les mots.
  • Présenter chaque nom sous forme singulier/pluriel.
• Classifier, catégoriser, marquer automatiquement les contenus
  • Regrouper les résultats de recherche avec Carrot2.
  • Regrouper des collections de documents avec Apache Mahout.
  • Catégoriser des documents avec Apache Lucene.
  • Rechercher des contenus sémantiques à l'aide de Falcons.
  • Travaux pratiques Utiliser la classification automatique d'un corpus de documents pour proposer le plan de classement d'une application de GED.
• Opérations avancées sur les contenus
  • Accéder aux contenus des différents formats de fichier.
  • Extraire du contenu de différents formats de fichier à l'aide d'Apache Tika.
  • Analyser les contextes pour résoudre des ambiguïtés.
  • Utiliser les graphes pour modéliser l'information syntaxique et sémantique des contenus non structurés.
  • Travaux pratiques A partir d'un contenu fourni, identifier les unités ambiguës.
  • Lister les contextes d'apparition des différentes unités ambiguës.
  • Proposer une stratégie de résolution.
• Préparer les ressources non structurées pour les moteurs de recherche
  • Les différentes techniques de recherche.
  • Les concepts associés à la recherche : indexation, interface, classement des résultats, présentation des résultats.
  • Exemple de recherche par facettes : Amazon.
  • com.
  • Exemple d'utilisation du serveur de recherche Apache Solr.
  • Travaux pratiques Extraire et indexer le contenu d'un article de journal à l'aide d'Apache Solr.
  • Etablir un jeu de test pour évaluer la performance du système d'indexation.
• Introduction à Prism V6
  • Qu'est-ce que Prism ? Principaux concepts.
  • Les problématiques que résout le framework et celles qu'il ne résout pas.
  • L'architecture Prism.
  • Les différents modules Prism.
  • Les objectifs de chaque module.
  • Les Quick Starts et les fonctionnalités de Prism.
  • L'accès à la documentation Prism.
  • Démonstration Démonstrations des différents Quick Starts illustrant les fonctionnalités de Prism.