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 ?

Pour qui ?

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

Prérequis

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.