À propos de ces notes
La recherche d'informations est le domaine de l'informatique qui s'occupe de l'information non structurée : des textes, des courriels, des pages web, des images — tout ce qui n'a pas été conçu pour être traité par une machine. C'est un domaine ancien, aussi vieux que l'ordinateur, mais que le web a entièrement réinventé.
Chaque semaine présente un thème, l'illustre par des exemples concrets, des formules et du code, puis se termine par un quiz qui vous permet de vérifier votre compréhension. Les notes sont conçues pour être lues confortablement à l'écran, en mode clair comme en mode sombre, et sont compatibles avec les lecteurs d'écran. Choisissez une semaine ci-dessous pour commencer.
Module 1 — Fondations et information non structurée
Les fondations : vecteurs, algorithmique et probabilités
Vecteurs, matrices, produit scalaire et cosinus ; notation grand-O ; moyenne, variance, corrélation de Pearson et théorème de Bayes.
Lire la semaine 1L'information non structurée, Zipf et Shannon
Données structurées, semi-structurées et non structurées ; lois de Zipf et de Mandelbrot, longue traîne, entropie de Shannon, Lempel-Ziv, XML et RDF.
Lire la semaine 2Les sources de données
Le web et sa mesure, Wikipédia, réseaux sociaux, bibliothèques numériques, données ouvertes, Internet des objets — et le corpus Gutenberg du cours.
Lire la semaine 3Module 2 — Les expressions régulières
Les expressions régulières en pratique
Classes de caractères, quantificateurs, ancrages, parenthèses capturantes, tests
avant/arrière, groupement atomique — et le laboratoire grep.
La mécanique des expressions régulières
Hiérarchie de Chomsky, automates finis déterministes et non déterministes,
explosion combinatoire et attaques ReDoS, puis java.util.regex.
Module 3 — Les modèles de recherche textuelle
Le modèle booléen et les modèles vectoriels
Opérateurs logiques, synonymie et polysémie, troncature et lemmatisation, pondération tf-idf, similarité cosinus, LSI et embeddings.
Lire la semaine 6Modèles probabilistes et modèles de langue
Le Probability Ranking Principle, la valeur de statut de recherche, les n-grammes, les lissages de Laplace et de Good-Turing, les grands modèles de langue.
Lire la semaine 7Index inversés, ergonomie, précision et rappel
Index inversés et binaires, arbres et tableaux de suffixes, ergonomie de la recherche, puis les mesures de précision, de rappel et le score F.
Lire la semaine 8Module 4 — Un moteur de recherche dans votre application
Lucene : indexer et chercher
Documents, champs et analyseurs ; création d'un index et interrogation en Java ; la syntaxe de requête ; Elasticsearch, OpenSearch et Wikipédia.
Lire la semaine 9Troncature et analyse linguistique
Analyseurs par langue, racinisation Snowball, indexation multilingue ; l'effet concret de la troncature sur le rappel et la précision.
Lire la semaine 10Module 5 — Algorithmique des moteurs de recherche web
MapReduce, graphes et PageRank
La logistique d'un moteur web, le parallélisme et MapReduce ; graphes dirigés, chaînes de Markov, matrices ergodiques et l'algorithme PageRank.
Lire la semaine 11HITS, hubs et autorités
L'algorithme de Kleinberg, sa convergence, sa comparaison expérimentale avec PageRank — et un mot sur le référencement web.
Lire la semaine 12Module 6 — Filtrage collaboratif et recommandation
Le filtrage collaboratif utilisateur-utilisateur
La matrice article-utilisateur, la corrélation de Pearson, la moyenne pondérée, l'amplification des similitudes, le cold start et la mise à l'échelle.
Lire la semaine 13Le filtrage par article et son évaluation
L'algorithme item-to-item d'Amazon, Slope One, la validation croisée et la mesure d'erreur All-But-1.
Lire la semaine 14Ressources transversales
Pense-bête
Logarithmes, vecteurs et matrices, notation grand-O, probabilités, théorème de Bayes, entropie, loi de Zipf et syntaxe complète des expressions régulières.
Consulter le pense-bêteGlossaire
Une centaine de termes du domaine, de l'analyse syntaxique au web sémantique, définis et reliés aux semaines où ils apparaissent.
Ouvrir le glossaireBibliowebographie
Les manuels, les livres en accès libre, les articles fondateurs et les logiciels cités au fil des quatorze semaines.
Voir les référencesRechercher dans les notes
Un moteur de recherche qui parcourt les quatorze semaines, section par section, sans quitter le navigateur. Un index inversé, forcément.
Ouvrir la recherche