Plan du cours SCI6136 - Fouille de documents (Automne 2012)

École de bibliothéconomie et des sciences de l'information, Maîtrise en sciences de l'information

3 crédits

Préalables : SCI6052, SCI6055

Professeur : Dominic Forest
Courriel : dominic.forest@umontreal.ca
Téléphone : 514 343-6119
Bureau : C-2046
Disponibilités : sur rendez-vous

Site Web du cours : http://www.dominicforest.name/SCI6136.php


Les cours se donnent le mardi, 8h30 – 11h30, pav. 3200 Jean-Brillant, salle C-2031.


Description officielle

Concepts et techniques pour l’extraction et l’organisation automatiques d’informations. Méthodes descriptives et prédictives pour l’analyse de corpus documentaires. Visualisation de l’info. Applications en sciences de l’info. (Préalables SCI6052 – Information documentaire numérique et SCI6055 - Traitement et analyse documentaires)

Objectifs d'apprentissage

  1. À titre d’objectif général, ce cours entend développer chez les étudiants les habiletés intellectuelles et techniques nécessaires à l’utilisation réfléchie de certains outils de fouille de documents dans le domaine des sciences de l’information. La réalisation de cet objectif implique que l’étudiant soit en mesure, au terme du cours, de témoigner de ses habilités à réaliser de manière concrète un certain nombre de tâches et d’opérations.
    1. d’identifier et de définir les principaux concepts de la fouille de documents;
    2. de cerner les enjeux et les défis fondamentaux de ce domaine;
    3. de distinguer les avantages et les inconvénients des principales approches de fouille;
    4. d’analyser un corpus de documents textuels non structurés;
    5. de maîtriser les principales opérations d’extraction et d’organisation automatiques d’informations;
    6. d’évaluer des logiciels de fouille;
    7. de comprendre les principales applications intégrant des processus d’extraction, d’organisation et de visualisation de l’information;
    8. d'évaluer les avantages et les limites des applications de fouille;
    9. de poser un regard critique sur l'utilisation des outils de fouille.

Méthodes pédagogiques

La majorité des cours seront divisés en deux parties :
- Un volet plus théorique, sous forme d’exposés magistraux, de démonstrations de logiciels, de lectures et de discussions en groupe, portant sur les notions et techniques relatives à la matière étudiée. Lors de ces exposés, les étudiants sont invités à intervenir activement pour discuter de la matière au programme.
- Un volet plus pratique, sous forme d’ateliers en laboratoire, visant à expérimenter les diverses techniques et les logiciels présentés. Ces ateliers, sous la supervision du responsable du cours, ont pour objectif d’approfondir certaines notions et de permettre à l’étudiant une prise de contact directe avec les techniques et les logiciels vus en classe.
Pour ce cours, la présentation des exposés magistraux sera soutenue par des documents PowerPoint. Cependant, ces documents ne sauraient en aucun cas remplacer les exposés magistraux. La maîtrise des concepts et des techniques abordés dans le cours repose principalement sur la présence et la participation aux exposés et aux ateliers en laboratoire. Les documents ne constituent donc que le support de diffusion pédagogique du contenu du cours. Dans les jours suivant chaque cours, les étudiants pourront télécharger ces documents à partir du site Web du cours. On y retrouvera aussi plusieurs ressources (textes, logiciels à télécharger, etc.) en lien avec la matière présentée dans le cours. Ce site Internet servira aussi de lieu d’interaction entre le professeur et les étudiants. Il est donc fortement recommandé de consulter régulièrement ce site. En plus des documents relatifs à chaque cours, des textes et des informations supplémentaires en rapport avec la matière présentée en classe seront mis à la disposition des étudiants.
Par ailleurs, en plus du courriel, d’autres supports pédagogiques seront mis à contribution dans le cadre de ce cours. Ainsi, les étudiants sont invités à consulter régulièrement le fil RSS développé pour ce cours afin d’être tenus informés des informations récentes concernant le déroulement du cours (disponibilités des consignes pour les travaux pratiques, etc.). Plus d’informations concernant ce fil RSS seront présentées lors du premier cours.

Contenu du cours

Ce cours vise à introduire les étudiants au domaine de la fouille de documents. Il s’insère dans une problématique générale liée à l’analyse et à la gestion informatisées des documents textuels. Au niveau théorique, nous présenterons les concepts fondamentaux, les enjeux, ainsi que les techniques principales du domaine de la fouille. Au niveau pratique, nous exposerons les principes et les fonctionnalités de quelques outils informatiques fouille, dans leur application aux sciences de l’information. Plusieurs approches seront exposées et discutées (statistique, linguistique, etc.). Toutefois, un volet important du cours sera consacré au traitement numérique des documents textuels.
Le contenu du cours est de nature multidisciplinaire. Les théories et les concepts présentés proviennent de plusieurs disciplines (linguistique, informatique, science de l’information, etc.). Le cours ne présuppose cependant aucune connaissance approfondie dans des domaines autres que celui des sciences de l’information.
Le cours est divisé en trois volets thématiques principaux répartis inégalement durant la session :
1. Introduction à la fouille de documents. La première partie du cours vise à introduire les étudiants au domaine de la fouille de documents. À cet égard, nous définirons et exposerons les concepts principaux et les enjeux fondamentaux de domaine. En outre, nous en distinguerons les différentes approches théoriques et en délimiterons les contextes d’application.
2. Les principales techniques et méthodes de fouille de documents. La deuxième partie du cours présente les principales techniques et méthodes de fouille de documents. Nous présenterons et comparerons différentes approches d’extraction et d’organisation automatiques d’informations. Plus spécifiquement, nous exposerons différentes méthodes visant à assister le prétraitement, la transformation, la classification, la catégorisation et la visualisation des documents textuels.
3. Les différentes applications de fouille de documents. Ce volet thématique sera traité dans la majorité des cours. Nous verrons comment les différents processus de fouille de documents peuvent être employés dans différentes applications. Nous présenterons et distinguerons aussi différentes catégories d’applications (description des documents, analyse thématique et identification automatique des thèmes, indexation automatique et repérage d’informations, extraction et découverte d’informations, assistance à la création et à la mise à jour de taxinomies et d’ontologies, etc.).

Calendrier des activités

DateActivité(s)Évaluation
2012-10-02

Présentation du plan de cours et des modalités d’évaluation. Introduction au cours.

 
2012-10-09

Introduction à la fouille de textes, le modèle vectoriel pour le traitement des documents textuels

 
2012-10-16

 Les corpus de documents textuels

 
2012-10-23

La segmentation des documents textuels

 
2012-10-30

L’extraction du lexique, calcul de fréquences

 
2012-11-06

Filtrage du lexique et pondération des unités textuelles discriminantes

 
2012-11-13

Extraction de termes complexes et d’entités nommées

 Remise du TP1

2012-11-20

La classifiation des documents

 Remise du travail d'évaluation d'un logiciel

2012-11-27

La classification automatique des documents (laboratoire)

 
2012-12-04

La catégorisation automatique des documents

 Remise du TP2

2012-12-11

La catégoriation automatique des documents (laboratoire)

 
2012-12-18

La visualisation de l'information et l'avenir des tecchnologies de fouille de textes

 Remise du TP3

Calendrier sujet à modifications

Évaluation

Pour réussir ce cours, il est essentiel d’assister aux exposés magistraux et de participer activement aux laboratoires (lors desquels vous pourrez débuter vos travaux pratiques). L’évaluation du niveau de compréhension des notions et de la maîtrise des habiletés techniques se fera au moyen de plusieurs évaluations.

Description détaillée de l’évaluation proposée

a) Trois travaux pratiques (en équipe de deux) [60%] :

1. Travail pratique 1. Extraction et filtrage du lexique, conversion numérique des documents textuels [10%]

2. Travail pratique 2. Classification automatique [25%]

3. Travail pratique 3. Catégorisation automatique [25%]

b) Présentation synthétique du projet de fouille (en équipe de deux) [20%]

c) Évaluation d'un logiciel (évaluation individuelle) [20%]

Lien entre les objectifs spécifiques et la validation des apprentissages

 Travail pratique 1. Extraction et filtrage du lexique, conversion numérique des documents textuels [10%]Travail pratique 2. Classification automatique [25%]Travail pratique 3. Catégorisation automatique [25%]Présentation synthétique du projet de fouille (en équipe de deux) [20%]Évaluation d'un logiciel (évaluation individuelle) [20%]
d’identifier et de définir les principaux concepts de la fouille de documents;
de cerner les enjeux et les défis fondamentaux de ce domaine;X
de distinguer les avantages et les inconvénients des principales approches de fouille;XXXX
d’analyser un corpus de documents textuels non structurés;XXXX
de maîtriser les principales opérations d’extraction et d’organisation automatiques d’informations;XXX
d’évaluer des logiciels de fouille;XXXX
de comprendre les principales applications intégrant des processus d’extraction, d’organisation et de visualisation de l’information;XXX
d'évaluer les avantages et les limites des applications de fouille;XXXX
de poser un regard critique sur l'utilisation des outils de fouille.XXXXX

Politiques, règlements et directives

L’ensemble des politiques, règlements et directives énoncés dans le guide étudiant s’appliquent. Une attention particulière est à porter aux éléments suivants :
- Règlement disciplinaire sur le plagiat ou la fraude concernant les étudiants (Guide étudiant, pp. 29-30). Toute infraction au règlement sur le plagiat ou la fraude sera traitée suivant la procédure indiquée dans le règlement.
- Délais et dates de remise des travaux (Guide étudiant, pp. 31-32). Tout retard non justifié dans la remise d’un travail sera sanctionné : 5% de la note est retranché par jour de calendrier de retard jusqu’à un maximum de 35%; à la 8ième journée de calendrier, la note F (échec) ou zéro est accordée.
- Qualité de la langue (Guide étudiant, p. 31). Un maximum de 10% de la note globale d’un travail pourra être retranché pour la qualité de la langue.
- Il est attendu que tous les étudiants inscrits au cours respectent le code d’honneur de l’EBSI (www.ebsi.umontreal.ca/sout/code-honneur.html).

Ressources

Bibliographie sommaire

Ananiadou, S. et McNaught, J. (dir. publ.). 2006. Text mining for biology and biomédecine. Norwood (Mass.) : Artech House.
Avancini, H., Rauber, A. et Sebastiani, F. 2002. Organizing digital libraries by automated text categorization. Technical report 2002-TR-05.
Berry, M. W. 2004. Survey of text mining. Clustering, classification, and retrieval. Berlin; New York : Springer-Verlag.
Berry, M. W. et Castellanos, M. 2008. Survey of text mining 2. Clustering, classification, and retrieval. Berlin; New York : Springer-Verlag.
Bilisoly, R. 2008. Practical text mining with Perl. Hoboken, New Jersey : Wiley.
Chaomei, C. 1999. Information visualisation and virtual environments. Berlin; New York : Springer-Verlag.
Fayyad, U., Grinstein, G. G. et Wierse, A. (dir. publ.). 2001. Information visualization in data mining and knowledge discovery. San Francisco: Morgan Kaufmann Publishers.
Feldman, R. et Sanger, J. 2007. The text mining handbook. Advanced approaches in analysing unstructured data. Cambridge : Cambridge University Press.
Feldman, S. 2004. « Why categorize? ». KMWorld. Content document and knowledge management. Vol. 13, no 9, pp. 8-10.
Han, J. et Kamber, M. 2001. Data mining. Concepts and techniques. San Franscisco : Morgan Kaufman.
Hearst, M. 1999. « Untangling text data mining ». Proceeding of ACL 99: the 37th annual meeting of the Association for Computational Linguistics. University of Maryland, 20-26 juin 1999.
Ibekwe-SanJuan, F. 2007. Fouille de textes : méthodes, outils et applications. Paris : Hermès.
Ihadjadene, M. (dir. publ.) 2004. Les systèmes de recherche d’informations. Paris : Hermès.
Inmon, W. H. et Nesavich, A. 2008. Tapping into unstructured data. Integrating unstructured data and textual anlytics into business intelligence. Boston (Mass.) : Prentice Hall.
Jackson, P. et Moulinier, I. 2002. Natural language processing for online applications: text retrieval, extraction, and categorization. Amsterdam : John Benjamins Publishing Company.
Kao, A. et Poteet, S. R. (dir. publ.). 2007. Natural language processing and text mining. Berlin; New York : Springer-Verlag.
Lallich-Boidin, G. et Maret, D. 2005. Recherche d’information et traitement de la langue. Lyon : Presses de l’ENSSIB.
Lebart, L. et Salem, A. 1994. Statistique textuelle. Paris : Dunod.
Lebart, L., Salem, A. et Berry, L. 1998. Exploring textual data. Dordrecht: Kluwer Academic Publishers.
Liu, B. 2007. Web data mining. Berlin; New York : Springer-Verlag.
Maly, K., Zubair, M. et Anan, H. 2001. « An automated classification system and associated digital library services ». In Isa, P. T. (dir. publ.) 2001. New developments in digital libraries, proceedings of the 1st international workshop on New Developments in Digital Libraries (NDDL 2001). ICEIS Press, pp. 113-126.
Manning, C. D. et H. Schütze. 1999. Foundations of statistical natural language processing. Cambridge (Mass.) : MIT Press.
Meunier, J.-G., Forest, D. et Biskri, I. 2005. Classification and categorization in computer assisted reading and analysis of texts. In Lefebvre, C. et Cohen, H. (dir. publ.). 2005. Handbook of categorization in cognitive science. New York: Elsevier, pp. 955-978.
Mitkov, R. 2005. The Oxford handbook of computational linguistics. Oxford : Oxford University Press.
Popping, R. 2000. Computer-assisted text analysis. London : Sage.
Provalis Research. 2005. WordStat. Content analysis module for SimStat and QDA Miner.
Riloff, E. 1995. « Little words can make a big difference for text classification ». Proceedings of the 18th International Conference on Research and Development in Information Retrieval. New-York : ACM Press, pp. 130-136.
Salton, G. et McGill, M. 1983. Introduction to Modern Information Retrieval. New-York: McGraw-Hill.
Sebastiani, F. 2002. « Machine learning in automated text categorization ». ACM Computing Surveys, vol. 34, no 1, pp. 1-47.
Sebastiani, F. 2005. Text categorization. In Rivero, L. C., Doorn J. H. et Ferraggine, V. E. (dir. publ.). 2005. The encyclopedia of database technologies and applications. Hershey : Idea Group Publishing, pp. 683-687.
Sebastiani, F. 2005. Text categorization. In Zanasi, A. (dir. publ.). Text mining and its applications. Southampton, UK : WIT Press
Sinclair, J. 1991. Corpus, concordance, collocation. Oxford: Oxford University Press.
Spangler, S. et kreulen, J. 2008. Mining the talk. Unlocking the business value in unstructured information. Boston (Mass.) : IBM Press / Pearson.
Srivastana, A. N. et Sahami, M. (dir. publ.). 2009. Text mining. Classification, clustering, and applications. Boca Raton (Fl.) : CRC Press.
Weiss, S. M., Indurkhya, N., Zhang, T. et Damereau, F. J. 2005. Text mining. Predictive methods for analyzing unstructured information. Berlin; New York : Springer-Verlag.
Widdows, D. 2004. Geometry and meaning. Stanford : Center for the Study of Language and Information.
Witten, I. H. et Frank, E. 2005. Data mining. Practical machine learning tools and techniques (2e ed.). San Franscisco : Morgan Kaufman.
Witten, I. H., Don, K. J., Dewsnip, M. et Tablan, V. 2004. « Text mining in a digital library ». International Journal of Digital Libraries. Vol. 4, no 1, pp. 56-59.
Yang, Y. 1999. « An evaluation of statistical approaches to text categorization ». Information Retrieval. Vol. 1, no 1-2, pp. 69-90.
Yang, Y. et Liu, X. 1999. « A re-examination of text categorization methods ». Proceedings of SIGIR-99, the 22nd ACM International Conference on Research and Development in Information Retrieval. New York : ACM Press, pp. 42-49.


Documents à la réserve

Ibekwe-SanJuan, F. 2007. Fouille de textes : méthodes, outils et applications. Paris : Hermès. P 302.3 I24 2007
Jackson, P. et Moulinier, I. 2002. Natural language processing for online applications: text retrieval, extraction, and categorization. Amsterdam : John Benjamins Publishing Company. QA 76.9 N38 J33 2002
Lallich-Boidin, G. et Maret, D. 2005. Recherche d’information et traitement de la langue. Lyon : Presses de l’ENSSIB. P 98 L35 2005
Manning, C. D. et H. Schütze. 1999. Foundations of statistical natural language processing. Cambridge (Mass.) : MIT Press. P 98.5 S83 M36 1999
Mitkov, R. 2005. The Oxford handbook of computational linguistics. Oxford : Oxford University Press. P 98 O94 2003
Weiss, S. M., Indurkhya, N., Zhang, T. et Damereau, F. J. 2005. Text mining. Predictive methods for analyzing unstructured information. Berlin; New York : Springer-Verlag. QA 76.9 D343 T49 2005