STAGE Imprimés de la première modernité, constitution de corpus

L'étudiant.e constituera une vérité de terrain pour permettre l’entraînement des outils d’OCR (segmentation, alignement, et transcription à partir de sorties automatiques d’outils comme Kraken). Les documents nécessitant ce passage de l’image au texte sont une sélection d’un corpus de « mazarinades » (imprimés français datant de la Fronde, XVIIe siècle)
- L’étudiant.e pourra ensuite mener une étude exploratoire de ce corpus océrisé bruité en utilisant des outils de TAL ou des algorithmes de classification (SVM ou arbres de décision par exemple).
- On proposera des tests sur d’autres corpus imprimés de la première modernité (XVIe-XVIIIe siècles), ainsi que sur des données d’apprentissage augmentées (ajout de flou, de tâches, etc.)
- Plusieurs tâches de traitement et d’annotation seront proposées (normalisation-modernisation, lemmatisation, etc.) dans l’optique d’une FAIRisation de ces données.
- Enfin, il sera demandé de prendre en main Nakala pour le stockage et l’exposition des premières données obtenues.

À acquérir au cours du stage :
· Mise à niveau en OCR (Optical Character Recognition)
· Informatique et programmation Python
· Packaging des programmes et versionning avec git
· Outils de Traitement Automatiques des Langues (T.A.L.) : TXM, gate, Spacy
· Machine Learning : sklearn (librairie Python)
· Consolidation des connaissances en langue et littérature du XVIIe siècle.