University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Benzine, Mehdi |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Analyse des sentiments appliquée aux critiques de films Type de document : texte imprimé Auteurs : Khabab,Takoua Hidaya, Auteur ; Benzine, Mehdi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (71 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments
Apprentissage automatiqueIndex. décimale : 004 - Informatique Résumé :
Le développement spectaculaire que connait internet aujourd’hui permet aux utilisateurs de
consulter davantage des sites web afin de communiquer, apprendre mais également échanger
leurs opinions sur des produits, des services et des films , via le site Allociné par exemple. Les
opinions collectées constituent des bases de données très intéressantes pouvant etre utilisées
afin de développer des approches d’apprentissage automatique.
Dans le cadre de ce travail de MASTER II GL, nous avons utilisé les avis émis sur les films
pour faire une analyse des sentiments (classification binaire). Nous avons également construit
un modèle de classification basé sur l’apprentissage automatique.
Dans ce mémoire, nous avons commencé par présenter les techniques utilisées pour le prétraitement
de l’ensemble de données, puis, nous avons appliqué différents algorithmes d’apprentissage
automatique tels que l’algorithme Machine ÃCôte titre : MAI/0487 En ligne : https://drive.google.com/file/d/1nWDpan4d7ixouRGPJ1UmXYBNFtLH6uFx/view?usp=shari [...] Format de la ressource électronique : Analyse des sentiments appliquée aux critiques de films [texte imprimé] / Khabab,Takoua Hidaya, Auteur ; Benzine, Mehdi, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (71 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments
Apprentissage automatiqueIndex. décimale : 004 - Informatique Résumé :
Le développement spectaculaire que connait internet aujourd’hui permet aux utilisateurs de
consulter davantage des sites web afin de communiquer, apprendre mais également échanger
leurs opinions sur des produits, des services et des films , via le site Allociné par exemple. Les
opinions collectées constituent des bases de données très intéressantes pouvant etre utilisées
afin de développer des approches d’apprentissage automatique.
Dans le cadre de ce travail de MASTER II GL, nous avons utilisé les avis émis sur les films
pour faire une analyse des sentiments (classification binaire). Nous avons également construit
un modèle de classification basé sur l’apprentissage automatique.
Dans ce mémoire, nous avons commencé par présenter les techniques utilisées pour le prétraitement
de l’ensemble de données, puis, nous avons appliqué différents algorithmes d’apprentissage
automatique tels que l’algorithme Machine ÃCôte titre : MAI/0487 En ligne : https://drive.google.com/file/d/1nWDpan4d7ixouRGPJ1UmXYBNFtLH6uFx/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0487 MAI/0487 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Analyse des sentiments appliquée aux critiques des films Type de document : texte imprimé Auteurs : Messalti,Roza, Auteur ; Benzine, Mehdi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (77 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments
Critiques de films
Apprentissage automatiqueIndex. décimale : 004 - Informatique Résumé :
D’antan les films se faisaient rares mais depuis qu il a internet on a l’embarras du choix
et les productions se disputent pour être sur les tabloïds, la nouvelle technologie a eu un
rôle majeur pour l’évolution du cinéma surtout les films d’ actions , dramatiques etc.
Hélas la concurrence est difficile pour être toujours au sommet ,les téléspectateurs sont
devenus de plus en plus exigeants dans leur choix des films ce qui leur poussent d’exprimer
leurs avis sincères sur les blogs,forums (critiques de films),et de savoir les classements des
films pour avoir un gain de temps dans la sélection de quel filme voir. Dans ce mémoire
nous avons utilisé l’analyse des sentiments sur les avis sur les films pour l’objectif de
classer automatiquement les opinions de façon a pouvoir les positionner sur une échelle de
sentiments, ainsi de caractériser un ensemble d’opinions sans avoir recours a un humain
pour les lire.Côte titre : MAI/0488 En ligne : https://drive.google.com/file/d/1Bav55PN0Kke5bxJhnTH0Dqjz8-bBlgKO/view?usp=shari [...] Format de la ressource électronique : Analyse des sentiments appliquée aux critiques des films [texte imprimé] / Messalti,Roza, Auteur ; Benzine, Mehdi, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (77 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments
Critiques de films
Apprentissage automatiqueIndex. décimale : 004 - Informatique Résumé :
D’antan les films se faisaient rares mais depuis qu il a internet on a l’embarras du choix
et les productions se disputent pour être sur les tabloïds, la nouvelle technologie a eu un
rôle majeur pour l’évolution du cinéma surtout les films d’ actions , dramatiques etc.
Hélas la concurrence est difficile pour être toujours au sommet ,les téléspectateurs sont
devenus de plus en plus exigeants dans leur choix des films ce qui leur poussent d’exprimer
leurs avis sincères sur les blogs,forums (critiques de films),et de savoir les classements des
films pour avoir un gain de temps dans la sélection de quel filme voir. Dans ce mémoire
nous avons utilisé l’analyse des sentiments sur les avis sur les films pour l’objectif de
classer automatiquement les opinions de façon a pouvoir les positionner sur une échelle de
sentiments, ainsi de caractériser un ensemble d’opinions sans avoir recours a un humain
pour les lire.Côte titre : MAI/0488 En ligne : https://drive.google.com/file/d/1Bav55PN0Kke5bxJhnTH0Dqjz8-bBlgKO/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0488 MAI/0488 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Analyse des sentiments appliquée aux critiques d’hôtels sur le site tripadvisor Type de document : texte imprimé Auteurs : Memou ,Asma, Auteur ; Benzine, Mehdi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (72 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments
Apprentissage automatique
Apprentissage
Profond
Traitement du langage naturelIndex. décimale : 004 - Informatique Résumé :
Avec le progrès récent d’internet et des sites web qui en développement continu, il
est devenu simple aux utilisateurs de planifie leur voyage via les sites web touristiques
tel que Tripadvisor, Booking, Agoda...etc. qui permet aux touristes de partager leur avis
et commentaires sur les hôtels, restaurants...etc, qu’ils sont visités, ces avis sont des
sources de données qui ont des grands avantage. Dans ce mémoire nous avons utilisé
les avis sur les hôtels pour faire une analyse des sentiments (classification binaire), nous
avons utilisé deux approches populaires qui sont : apprentissage automatique et apprentissage
profond, pour la première approche nous allons appliquer sept classificateurs
d’apprentissage automatique : Machine à vecteur de support, Naïve Bayes, Arbre de
décision, Régression logistique, le plus proche voisine, Forêt aléatoire et réseaux de
neurones, pour la deuxième approche nous allons appliquer les réseaux de neurones
convolutifs et les réseaux de neurones récurrents.Côte titre : MAI/0394 En ligne : https://drive.google.com/file/d/19_f2UF7KPvczJp9S1oaqOpCtBP--tvlm/view?usp=shari [...] Format de la ressource électronique : Analyse des sentiments appliquée aux critiques d’hôtels sur le site tripadvisor [texte imprimé] / Memou ,Asma, Auteur ; Benzine, Mehdi, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (72 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments
Apprentissage automatique
Apprentissage
Profond
Traitement du langage naturelIndex. décimale : 004 - Informatique Résumé :
Avec le progrès récent d’internet et des sites web qui en développement continu, il
est devenu simple aux utilisateurs de planifie leur voyage via les sites web touristiques
tel que Tripadvisor, Booking, Agoda...etc. qui permet aux touristes de partager leur avis
et commentaires sur les hôtels, restaurants...etc, qu’ils sont visités, ces avis sont des
sources de données qui ont des grands avantage. Dans ce mémoire nous avons utilisé
les avis sur les hôtels pour faire une analyse des sentiments (classification binaire), nous
avons utilisé deux approches populaires qui sont : apprentissage automatique et apprentissage
profond, pour la première approche nous allons appliquer sept classificateurs
d’apprentissage automatique : Machine à vecteur de support, Naïve Bayes, Arbre de
décision, Régression logistique, le plus proche voisine, Forêt aléatoire et réseaux de
neurones, pour la deuxième approche nous allons appliquer les réseaux de neurones
convolutifs et les réseaux de neurones récurrents.Côte titre : MAI/0394 En ligne : https://drive.google.com/file/d/19_f2UF7KPvczJp9S1oaqOpCtBP--tvlm/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0394 MAI/0394 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Analyse des Sentiments Dans un Corpus de Tweets : Eude Comparative de Classificateurs Type de document : texte imprimé Auteurs : Guettal ,Sarra, Auteur ; Benzine, Mehdi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (66 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Machine à vecteur de support
Complément Naïve Bayes
Arbres de décision
Multinomial Naïve Bayes
Régression logistiqueIndex. décimale : 004 - Informatique Résumé : Twitter est l’un des réseaux sociaux les plus populaire. Est un service de microblogging qui nous permet d’exprimer nos opinions et pour cette raison Twitter est devenu une source de données très populaire pour L’analyse des sentiments qui est une technologie d’analyse automatique des discours, écrits ou parlés dans le but consiste à extraire des informations subjectives comme des jugements, des évaluations ou des émotions pour détecter la polarité d’une opinion. L’importance de l’analyse des sentiments est présente dans plusieurs domaines, à savoir politique, marketing, gestion de la réputation, ... Dans ce mémoire, nous utiliserons Twitter comme une source pour nos données et ferons une étude comparative entre cinq classificateurs qui sont : Machine à vecteur de support, Complément Naïve Bayes, Arbres de décision, Multinomial Naïve Bayes et Régression logistique à fin d’évaluer leur performance. Note de contenu : Sommaire
DEDICACE ......................................................................................................... 1
REMERCIMENT ................................................................................................................ 2
Table de Matière .................................................................................................................. 3
Liste des Figures .................................................................................................................. 6
Liste des Tableaux ............................................................................................................... 8
Résumé .......................................................................................................
Abstract ....................................................................................................... 9
Introduction Générale ....................................................................................................... 10
Chapitre 1 ........................................................................................................................... 13
État de l’Art .................................................................................................. 13
1. Introduction ......................................................................................................... 13
2. L’apprentissage automatique............................................................................................... 13
2.1. Processus de l’apprentissage automatique ................................................................. 13
2.2. Types d’apprentissage .................................................................................................. 14
2.2.1. Apprentissage supervisé (prédictif) ..................................................................... 14
2.2.1.1. Algorithmes de l’apprentissage supervisé ....................................................... 14
2.2.1.1.1. Classification Naïve Bayes ......................................................................... 14
2.2.1.1.2. Machine a Vecteur de Support (SVM) ...................................................... 15
2.2.1.1.3. Arbre de décision ...........................................................................18
2.2.1.1.4. Régression logistique ................................................................................ 19
2.2.1.1.5. Réseau de neurones .................................................................................. 21
2.2.1.1.6. Régression linéaire .................................................................................... 24 2.2.1.1.7. K plus proches voisins (KNN) ..................................................................... 25
2.2.2. Apprentissage non-supervisé (descriptif) ............................................................ 26
2.2.2.1. Algorithmes de l’apprentissage non-supervisé ................................................ 26
2.2.2.1.1. K-Means .................................................................................................... 26
2.2.2.1.2. Règles d’association .................................................................................. 27
2.2.2.2. Quelques applications de l’apprentissage non-supervisé ................................ 28
3. Fouille de Texte (Text Mining) .............................................................................................. 28
3.1. Les étapes de Text Mining ............................................................................................ 28
3.1.1. La collecte de données ......................................................................................... 28
Analyse des Sentiments Dans un Corpus de Tweets : Eude Comparative de Classifieurs
4
3.1.2. Prétraitement de texte ......................................................................................... 28
3.1.3. Transformation ..................................................................................................... 29
3.2. Domaine d’application de Fouille de texte (Text Mining) ............................................ 30
4. Classification des textes ....................................................................................................... 31
4.1. Le processus de classification de texte .......................................................... 32
4.2. Algorithmes de classification de texte .......................................................... 33
5. Analyse des sentiments ........................................................................................................ 33
5.1. Les Composants de Sentiment ..................................................................................... 34 5.2. Les niveaux de classification des sentiments ............................................................... 34
5.3. Méthodes de classification des sentiments ................................................................. 34
5.3.1. Méthode basée sur le lexique .............................................................................. 34 5.3.2. Méthode d’apprentissage automatique .............................................................. 35
6. Traitement du Langage Naturel ........................................................................................... 36
7. Conclusion ............................................................................................................ 38
Chapitre 2 ........................................................................................................................... 40
Contribution ....................................................................................... 40
1. Introduction ........................................................................................ 40
2. Les médias sociaux ............................................................................................................... 40
3. Twitter ................................................................................... 40
4. Phase d’apprentissage ......................................................................................................... 42
4.1. La construction du corpus ............................................................................................ 42 4.2. Prétraitement ............................................................................................................... 43
4.2.1. Tokenisation ......................................................................................................... 43
4.2.2. Suppression des mots vides (stopwords) ............................................................. 44
4.2.3. Lemmatisation ...................................................................................................... 46
4.3. Transformation ............................................................................................................. 46
4.3.1. La représentation avec les co-occurrences ..........................................................
46 4.3.2. La représentation avec le modèle de pondération Tf-IDf .................................... 46
4.4. L’apprentissage (la classification) ................................................................................. 47
5. La phase test.................................................................................................. 49
6. Conclusion ............................................................................................................................ 50
Chapitre 3 ...................................................................................................... 52
Expérimentation ................................................................................................................ 52
1. Environnement de développement ........................................................................... 52
Analyse des Sentiments Dans un Corpus de Tweets : Eude Comparative de Classifieurs
Python............................................................................................... 52
1.2. Jupyter Notebook .................................................................................. 52
1.3. Anaconda .......................................................................................................... 53
1.4. Pandas................................................................................................................ 53
1.5. Numpy ............................................................................................................... 53
1.6. Nltk .................................................................................................................... 53
2. Implémentation ......................................................................................................... 54
3. Les résultats .............................................................................................................. 54
3.1. Multinomial Naïve Bayes.................................................................................. 54
3.2. Complément Naïve Bayes ................................................................................. 56
3.3. Arbre de décision .............................................................................................. 57
3.4. Machine a Vecteur de Support .......................................................................... 58
3.5. Régression Logistique ............................................................................ 59
4. Comparaison ............................................................................................................. 61
4.1. Par rapport au temps d’exécution ...................................................................... 61
4.2. Par rapport à la performance ............................................................................. 63
5. Conclusion ................................................................................................................ 64
Conclusion Générale ......................................................................................................... 65
Références........................................................................................... 66Côte titre : MAI/0331 En ligne : https://drive.google.com/file/d/19_CotLXfMzYk6yQUr0-22-LB1sfPXK--/view?usp=shari [...] Format de la ressource électronique : Analyse des Sentiments Dans un Corpus de Tweets : Eude Comparative de Classificateurs [texte imprimé] / Guettal ,Sarra, Auteur ; Benzine, Mehdi, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (66 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Machine à vecteur de support
Complément Naïve Bayes
Arbres de décision
Multinomial Naïve Bayes
Régression logistiqueIndex. décimale : 004 - Informatique Résumé : Twitter est l’un des réseaux sociaux les plus populaire. Est un service de microblogging qui nous permet d’exprimer nos opinions et pour cette raison Twitter est devenu une source de données très populaire pour L’analyse des sentiments qui est une technologie d’analyse automatique des discours, écrits ou parlés dans le but consiste à extraire des informations subjectives comme des jugements, des évaluations ou des émotions pour détecter la polarité d’une opinion. L’importance de l’analyse des sentiments est présente dans plusieurs domaines, à savoir politique, marketing, gestion de la réputation, ... Dans ce mémoire, nous utiliserons Twitter comme une source pour nos données et ferons une étude comparative entre cinq classificateurs qui sont : Machine à vecteur de support, Complément Naïve Bayes, Arbres de décision, Multinomial Naïve Bayes et Régression logistique à fin d’évaluer leur performance. Note de contenu : Sommaire
DEDICACE ......................................................................................................... 1
REMERCIMENT ................................................................................................................ 2
Table de Matière .................................................................................................................. 3
Liste des Figures .................................................................................................................. 6
Liste des Tableaux ............................................................................................................... 8
Résumé .......................................................................................................
Abstract ....................................................................................................... 9
Introduction Générale ....................................................................................................... 10
Chapitre 1 ........................................................................................................................... 13
État de l’Art .................................................................................................. 13
1. Introduction ......................................................................................................... 13
2. L’apprentissage automatique............................................................................................... 13
2.1. Processus de l’apprentissage automatique ................................................................. 13
2.2. Types d’apprentissage .................................................................................................. 14
2.2.1. Apprentissage supervisé (prédictif) ..................................................................... 14
2.2.1.1. Algorithmes de l’apprentissage supervisé ....................................................... 14
2.2.1.1.1. Classification Naïve Bayes ......................................................................... 14
2.2.1.1.2. Machine a Vecteur de Support (SVM) ...................................................... 15
2.2.1.1.3. Arbre de décision ...........................................................................18
2.2.1.1.4. Régression logistique ................................................................................ 19
2.2.1.1.5. Réseau de neurones .................................................................................. 21
2.2.1.1.6. Régression linéaire .................................................................................... 24 2.2.1.1.7. K plus proches voisins (KNN) ..................................................................... 25
2.2.2. Apprentissage non-supervisé (descriptif) ............................................................ 26
2.2.2.1. Algorithmes de l’apprentissage non-supervisé ................................................ 26
2.2.2.1.1. K-Means .................................................................................................... 26
2.2.2.1.2. Règles d’association .................................................................................. 27
2.2.2.2. Quelques applications de l’apprentissage non-supervisé ................................ 28
3. Fouille de Texte (Text Mining) .............................................................................................. 28
3.1. Les étapes de Text Mining ............................................................................................ 28
3.1.1. La collecte de données ......................................................................................... 28
Analyse des Sentiments Dans un Corpus de Tweets : Eude Comparative de Classifieurs
4
3.1.2. Prétraitement de texte ......................................................................................... 28
3.1.3. Transformation ..................................................................................................... 29
3.2. Domaine d’application de Fouille de texte (Text Mining) ............................................ 30
4. Classification des textes ....................................................................................................... 31
4.1. Le processus de classification de texte .......................................................... 32
4.2. Algorithmes de classification de texte .......................................................... 33
5. Analyse des sentiments ........................................................................................................ 33
5.1. Les Composants de Sentiment ..................................................................................... 34 5.2. Les niveaux de classification des sentiments ............................................................... 34
5.3. Méthodes de classification des sentiments ................................................................. 34
5.3.1. Méthode basée sur le lexique .............................................................................. 34 5.3.2. Méthode d’apprentissage automatique .............................................................. 35
6. Traitement du Langage Naturel ........................................................................................... 36
7. Conclusion ............................................................................................................ 38
Chapitre 2 ........................................................................................................................... 40
Contribution ....................................................................................... 40
1. Introduction ........................................................................................ 40
2. Les médias sociaux ............................................................................................................... 40
3. Twitter ................................................................................... 40
4. Phase d’apprentissage ......................................................................................................... 42
4.1. La construction du corpus ............................................................................................ 42 4.2. Prétraitement ............................................................................................................... 43
4.2.1. Tokenisation ......................................................................................................... 43
4.2.2. Suppression des mots vides (stopwords) ............................................................. 44
4.2.3. Lemmatisation ...................................................................................................... 46
4.3. Transformation ............................................................................................................. 46
4.3.1. La représentation avec les co-occurrences ..........................................................
46 4.3.2. La représentation avec le modèle de pondération Tf-IDf .................................... 46
4.4. L’apprentissage (la classification) ................................................................................. 47
5. La phase test.................................................................................................. 49
6. Conclusion ............................................................................................................................ 50
Chapitre 3 ...................................................................................................... 52
Expérimentation ................................................................................................................ 52
1. Environnement de développement ........................................................................... 52
Analyse des Sentiments Dans un Corpus de Tweets : Eude Comparative de Classifieurs
Python............................................................................................... 52
1.2. Jupyter Notebook .................................................................................. 52
1.3. Anaconda .......................................................................................................... 53
1.4. Pandas................................................................................................................ 53
1.5. Numpy ............................................................................................................... 53
1.6. Nltk .................................................................................................................... 53
2. Implémentation ......................................................................................................... 54
3. Les résultats .............................................................................................................. 54
3.1. Multinomial Naïve Bayes.................................................................................. 54
3.2. Complément Naïve Bayes ................................................................................. 56
3.3. Arbre de décision .............................................................................................. 57
3.4. Machine a Vecteur de Support .......................................................................... 58
3.5. Régression Logistique ............................................................................ 59
4. Comparaison ............................................................................................................. 61
4.1. Par rapport au temps d’exécution ...................................................................... 61
4.2. Par rapport à la performance ............................................................................. 63
5. Conclusion ................................................................................................................ 64
Conclusion Générale ......................................................................................................... 65
Références........................................................................................... 66Côte titre : MAI/0331 En ligne : https://drive.google.com/file/d/19_CotLXfMzYk6yQUr0-22-LB1sfPXK--/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0331 MAI/0331 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Deep learning et machine learning appliques a l'analyse des sentiments Type de document : texte imprimé Auteurs : Boussaha, Maroua, Auteur ; Benzine, Mehdi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (54 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
L'homme a toujours recours au divertissement pour se divertir. A notre epoque,
il existe de nombreux divertissements tels que la musique, les activites sportives,
les lms, etc., mais ils ne sont souvent pas disponibles pour tout le monde, certains
d'entre eux sont payants et certains necessitent des deplacements d'un endroit a
un autre, par contre il est connu que les lms sont les moyens de divertissements
les plus simples car ils sont gratuits et il est possible de les regarde a tout moment
et n'importe ou, ainsi qu'ils o rent plus de suspens. Mais avant de regarder un
lm, il faut s'assurer de sa qualite, et comme les points de vue des viseurs sur un
lm sont di erents, il ne sut pas d'en avoir un apercu prealable sur le lm et
d'en conna^tre la qualite, d'ou il ya une augmentation de demande et la necessite
de construire un bon modele d'analyse des sentiments qui classe les critiques de
lms.
L'analyse des sentiments vise a extraire des informations subjectives comme des
jugements, des evaluations ou des emotions pour detecter la polarite d'une opinion.
Dans cette these, nous avons utilise deux approches populaires qui sont l'apprentissage
automatique et l'apprentissage profond, pour la premiere approche nous
appliquerons cinq classi cateurs d'apprentissage automatique : Machine a vecteurs
de support, Naive Bayes, Arbre de decision, Regression logistique, voisin le
plus proche, pour la deuxieme approche nous appliquerons le reseau de neurones
convolutifs (CNN) et le modele de reseau de neurones a memoire a long court
terme (LSTM).
2Côte titre : MAI/0474 En ligne : https://drive.google.com/file/d/1DH2b6d0JeFFALtqOaAe29o3mpqwEet3f/view?usp=shari [...] Format de la ressource électronique : Deep learning et machine learning appliques a l'analyse des sentiments [texte imprimé] / Boussaha, Maroua, Auteur ; Benzine, Mehdi, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (54 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
L'homme a toujours recours au divertissement pour se divertir. A notre epoque,
il existe de nombreux divertissements tels que la musique, les activites sportives,
les lms, etc., mais ils ne sont souvent pas disponibles pour tout le monde, certains
d'entre eux sont payants et certains necessitent des deplacements d'un endroit a
un autre, par contre il est connu que les lms sont les moyens de divertissements
les plus simples car ils sont gratuits et il est possible de les regarde a tout moment
et n'importe ou, ainsi qu'ils o rent plus de suspens. Mais avant de regarder un
lm, il faut s'assurer de sa qualite, et comme les points de vue des viseurs sur un
lm sont di erents, il ne sut pas d'en avoir un apercu prealable sur le lm et
d'en conna^tre la qualite, d'ou il ya une augmentation de demande et la necessite
de construire un bon modele d'analyse des sentiments qui classe les critiques de
lms.
L'analyse des sentiments vise a extraire des informations subjectives comme des
jugements, des evaluations ou des emotions pour detecter la polarite d'une opinion.
Dans cette these, nous avons utilise deux approches populaires qui sont l'apprentissage
automatique et l'apprentissage profond, pour la premiere approche nous
appliquerons cinq classi cateurs d'apprentissage automatique : Machine a vecteurs
de support, Naive Bayes, Arbre de decision, Regression logistique, voisin le
plus proche, pour la deuxieme approche nous appliquerons le reseau de neurones
convolutifs (CNN) et le modele de reseau de neurones a memoire a long court
terme (LSTM).
2Côte titre : MAI/0474 En ligne : https://drive.google.com/file/d/1DH2b6d0JeFFALtqOaAe29o3mpqwEet3f/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0474 MAI/0474 Mémoire Bibliothéque des sciences Français Disponible
DisponibleDégradation/Suppression de Données Dirigée Par le Besoin d’Anonymat Exprimé Par le Propriétaire des Données / Bouaicha,Smail
PermalinkPermalinkPermalink
