guipet

def resume(sent_score):
    '''
    Trouve les phrases les plus pertinentes dans un texte
    
    Input:
    - sent_score : liste de dictionnaires. Chaque dictionnare contient la phrase et le score
    
    Output:
    - resume : str composé des phrases les plus pertinentes
    '''

guipet

def resume(sent_score):
    '''
    Trouve les phrases les plus pertinentes dans un texte
    
    Input:
    - sent_score : liste de dictionnaires. Chaque dictionnare contient la phrase et le score
    
    Output:
    - resume : str composé des phrases les plus pertinentes
    '''

guipet

def score_sent(doc):
    '''
    Calcule le score de chaque phrase pour doc
    
    Input:
    - doc : liste de phrases
    
    Output:
    - sent_score : liste de score de chaque phrase
    '''

guipet

from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer

#obtenir le vocabulaire
vectorizer = TfidfVectorizer()
vectorizer.fit(corpus)
voc = vectorizer.get_feature_names()

guipet

import re

def clean(text):
    '''
    Permet de preprocess text. Attention, text est divisé en phrases.
    
    Exemple : [Fichtre ! dit Gavroche., Voilà qu'on me tue mes morts., Une deuxième balle fit étinceler le pavé 
    à côté de lui., Une troisième renversa son panier.]
    
    

guipet

#on calcule les prédictions (a_1*x + a_2)
y_hat = x@a

#on calcule la valeur de la fonction de perte MSE
loss = ((y_hat-y)**2).mean()

#on clone les poids par soucis de code
prev_wgts = a.data.clone()

#on optimise selon les paramètres de Pytorch

guipet

#on calcule les prédictions (a_1*x + a_2)
y_hat = x@a

#on calcule la valeur de la perte MSE
loss = ((y_hat-y)**2).mean()

#on clone les poids par soucis de code
prev_wgts = a.data.clone

#on optimise selon les paraùètres de pytorch

guipet

import pandas as pd