Dingo

C'est parti mon kiki !

Dans un monde où les informations déferlent comme des vagues déchaînées, submergeant tout sur leur passage, l'esprit humain se noie dans un océan de nouvelles. Fissiles, les centrales nucléaires fuient, la fraude fisse cale, c'est le quatorze juillet au mois d'aout, et la France, semble-t-il, est foutue. On peut arrêter d'être forts alors ? La question résonne comme un écho moqueur dans un pays où les contradictions sont légion, mais où l’argent ne manque pas dans les poches de ceux qui en sont les bénéficiaires. Qui c’est qui paye ? Qui qui y’a les sousous ? Le bon nonosse à son kiki ?

Les écrivains, ces artisans des mots, ne perçoivent rien sur les livres vendus d'occasion. Et alors ? Ils n'ont qu'à les recycler eux-mêmes, plutôt que de nous faire lire leurs logorrhées verbales interminables et sans intérêt (ce texte y compris). Pourquoi ne pas interdire purement et simplement la vente de livres d'occasion ? Sous peine d'autodafé d'écrivains, bien sûr. Après tout, la culture, comme la santé, n'est pas rentable. Pas pour tout le monde. Pas plus que l’armée, les missiles, les drones, les robots, les actionnaires et la voiture électrique. Le monde est une poubelle nous en sommes les déchets et le recyclage en retard nous vaut la belle facture que l’on ne saurait voir. Par contre on la sent. Parce que ça ~~pue~~ sent fort tous ces déchets. Faut le dire. C’est pas du parfum à mémère ça ! Et puis on en fait quoi ? Ça se revend en Afrique peut-être ? Ça leur ferait du boulot à ces reggae men de la brousse…Je vais me faire bien voir chez les maliens russophones, hein mon kiki !

« Le Pays de la soif », Eugène Fromentin, vers 1869, huile sur toile, 103 x 143,2 cm, Musée d'Orsay, Paris, France. ? La gratuité des transports publics ? Une utopie. Qui c’est qui paye ? Qui qui y’a les sousous ? C'est toi qui pédales pour faire avancer la loco ? Allez, du mollet ! Et il ne faudrait surtout pas augmenter les impôts ! Pourtant la pérennité de l’État l’exige parfois… Mais l’État c’est quoi ? C’est rien du tout l’État…faut le supprimer, patatras ! On doit être forts, même quand on est nuls. Ou l’inverse on sait plus…L’État se serait pas nous par hasard ? Sans doute que c’est vrai tout ça. L'argent, ce bien commun, pourrait-il faire l'objet d'intérêts collectifs ? À l'échelle d'une nation ? Mondialement ? Les questions fusent, mais les réponses se font attendre et le bon nonosse à son kiki aussi. Hein ? Il est où le nonosse à ronger là ? Hein ? Il est content le kiki à son pépère avec son joli nonosse ? Oooh oui il est content !

– ℹ Intermède tri de l'information

Le traitement du langage naturel (NLP, Natural Language Processing) est un domaine de l'intelligence artificielle qui se concentre sur l'interaction entre les ordinateurs et les humains à travers le langage naturel. Les algorithmes de NLP permettent aux machines de comprendre, d'interpréter et de générer du langage humain. Et par extension d'effectuer un tri dans l'information. Ça doit flipper chez les pros, car ils risquent leur peau qui ne vaudra bientôt plus grand chose…

Description Générale : Types d’algorithmes en NLP

Voici quelques familles principales d'algorithmes NLP, avec une brève description :

Algorithme	Description
TF-IDF	Pondère les mots selon leur fréquence dans un document et dans le corpus global.
Bag-of-Words (BoW)	Représente un texte comme un vecteur de fréquence de mots, sans ordre.
Word Embeddings (Word2Vec, GloVe)	Transforme les mots en vecteurs numériques dans un espace sémantique.
Naive Bayes	Modèle probabiliste basé sur la règle de Bayes, supposant l’indépendance des mots.
RNN, LSTM, GRU	Réseaux neuronaux séquentiels pour traiter le langage naturel dans le temps.
Transformers (BERT, GPT)	Architecture moderne pour le NLP utilisant l'attention.
SpaCy, NLTK, HuggingFace	Bibliothèques qui encapsulent ces méthodes pour l’implémentation pratique.

Utiliser des dépêches de presse en NLP est un excellent cas d’étude pour des tâches comme :

Classification (ex : politique vs sport vs économie)
Résumé automatique
Extraction d’informations (dates, lieux, faits)
Détection de biais ou de ton
Topic modeling (découvrir les thèmes latents)

Voici une description détaillée de chaque tâche mentionnée, ainsi que des exemples de mise en œuvre en code Python :

1. Classification (ex : politique vs sport vs économie)

La classification de texte consiste à attribuer des catégories prédéfinies à des documents textuels. Par exemple, on peut vouloir classer des dépêches de presse en catégories comme politique, sport, économie, etc.

Exemple de Code

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report

# Exemple de corpus de dépêches de presse
corpus = [
    "Le gouvernement annonce une nouvelle réforme économique inutile. Le ministre songe à démissionner, puis se ravise quand il comprend que c'était une blague du secrétaire d'État.",
    "L'équipe de football remporte le championnat mais est reléguée pour gestion opaque. Ses dirigeants sont incarcérés en PHS. Procès en cours.",
    "La bourse atteint un nouveau record historique. Les gens normaux n'en voient pas la couleur. Ils songent à déposer plainte au commissariat de Navarre pour escroquerie en bande organisée.",
    "Le président rencontre les dirigeants étrangers. Il doit vendre tout ce qu'il peut pour éviter la faillite. Extrait du discours : « Ce n'est pas gagné avec le rafale, on est en retard de dix ans, mais on essaie… Le prochain, on sera peut-être trop en avance, on sait jamais… »",
    "Le marathon annuel aura lieu ce week-end. Les chasseurs doivent suspendre leurs tirs momentanément. Un recours en justice a été déposé, car des lièvres se cachent parmi les coureurs.",
    "Les taux d'intérêt augmentent pour la première fois depuis des années. On assiste à des effusions de joies collectives en pleine rue, le taux de natalité repart à la hausse, selon l'INSEE."
]

# Catégories correspondantes
categories = ['économie', 'sport', 'économie', 'politique', 'sport', 'économie']

# Vectorisation TF-IDF
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(corpus)

# Division des données en ensembles d'entraînement et de test
X_train, X_test, y_train, y_test = train_test_split(X, categories, test_size=0.33, random_state=42)

# Entraînement du classifieur
classifier = MultinomialNB()
classifier.fit(X_train, y_train)

# Prédiction et évaluation
predictions = classifier.predict(X_test)
print(classification_report(y_test, predictions))

2. Résumé Automatique

Le résumé automatique consiste à créer un résumé concis d'un document tout en conservant les informations les plus importantes.

Exemple de Code

from sumy.parsers.plaintext import PlaintextParser
from sumy.nlp.tokenizers import Tokenizer
from sumy.summarizers.lex_rank import LexRankSummarizer

# Exemple de dépêche de presse
depeche = """
Le gouvernement a annoncé aujourd'hui une nouvelle réforme économique visant à stimuler la croissance.
Cette réforme comprend des mesures pour supprimer les niches fiscales des entreprises et augmenter les impôts.
Les analystes s'attendent à ce que la révolution ait un impact positif sur la consommation. Che Guevara, vient d'adresser un communiqué à Cognac Jay.
"""

# Analyse du texte
parser = PlaintextParser.from_string(depeche, Tokenizer("french"))

# Résumé avec LexRank
summarizer = LexRankSummarizer()
summary = summarizer(parser.document, sentences_count=2)

# Affichage du résumé
for sentence in summary:
    print(sentence)

3. Extraction d'Informations (dates, lieux, faits)

L'extraction d'informations consiste à identifier et extraire des entités spécifiques (comme des dates, des lieux, des noms de personnes) à partir de textes.

Exemple de Code

import spacy

# Charger le modèle de langue française
nlp = spacy.load("fr_core_news_sm")

# Exemple de dépêche de presse
depeche = "Le président se rendra à Berlin le 15 octobre pour une réunion tupperware avec le chancelier. Il apportera les cookies et le chancelier offrira du lait bavarois pour le goûter. D'importants contrats seront signés pour l'acquisition de pelotes de laines d'ours queer, qui font des chaussettes très chaudes pour l'hiver. Plusieurs associations anti-corruption émettent des doutes sur cette information."

# Analyse du texte
doc = nlp(depeche)

# Extraction des entités nommées
for ent in doc.ents:
    print(ent.text, ent.label_)

4. Détection de Biais ou de Ton

La détection de biais ou de ton consiste à identifier le ton ou les biais dans un texte, par exemple, déterminer si un article est positif, négatif ou neutre.

Exemple de Code

from textblob import TextBlob

# Exemple de dépêche de presse
depeche = "La nouvelle réforme économique est très bien accueillie par les experts et devrait stimuler la croissance. Le peuple n'y comprend rien et c'est tant mieux."

# Analyse de sentiment
blob = TextBlob(depeche)
sentiment = blob.sentiment.polarity

# Interprétation du sentiment
if sentiment > 0.6:
    print("Ton très positif — Euphorie sexuellement transmissible")
elif sentiment > 0.3:
    print("Ton positif — Personne n'y croit")
elif sentiment > 0:
    print("Ton légèrement optimiste — Naïveté cynique")
elif sentiment > -0.3:
    print("Ton neutre — Les robots ont pris le pouvoir")
elif sentiment > -0.6:
    print("Ton clairement négatif — Foutage de gueule en règle")
else:
    print("Ton très négatif — Appel à l'intifada place de la République")

5. Topic Modeling (découvrir les thèmes latents)

Le topic modeling consiste à découvrir les thèmes latents dans un corpus de documents. L'algorithme LDA (Latent Dirichlet Allocation) est couramment utilisé pour cette tâche.

Exemple de Code

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.decomposition import LatentDirichletAllocation

# Exemple de corpus de dépêches de presse
corpus = [
    "Le gouvernement annonce une nouvelle économie de réforme inutile.",
    "L'équipe de football de la mafia a encore raté son coup.",
    "La bourse atteint un nouveau record historique vers le bas.",
    "Le président rencontre les dirigeants étrangers pour une vente au rabais.",
    "Le marathon annuel aura lieu ce week-end en même temps que l'ouverture de la chasse.",
    "Les taux d'intérêt augmentent pour la première fois depuis des siècles, le taux de natalité explose, les maternités au bord de la rupture."
]

# Vectorisation du texte
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus)

# Application de LDA
lda = LatentDirichletAllocation(n_components=3, random_state=42)
lda.fit(X)

# Affichage des topics
for idx, topic in enumerate(lda.components_):
    print(f"Topic {idx}:")
    print([vectorizer.get_feature_names_out()[i] for i in topic.argsort()[-5:]])

Ces exemples illustrent comment différentes tâches de NLP peuvent être appliquées aux dépêches de presse pour extraire des informations très très utiles, classer les documents, résumer les textes, détecter les biais et découvrir les thèmes latents.

– ℹ Vous pouvez poser votre démission et commencer une reconversion.

L'humanisme et l'humanité sont durement et profondément frappés par leurs ennemis de toujours : les dictatures, la pensée grégaire, les postures guerrières. L'homme a-t-il la sagesse acquise génétiquement ? Non. Il n'a que vocation à se détruire par souci de domination animale et territoriale, par appât du gain. Que ces gains soient des matières premières ou de nouveaux espaces frontaliers, des dominances pures ou des racismes avérés. Peu importe. Faut les laisser jouer entre eux ces ~~cinglés~~ pros du gros missile, ces nudistes du champ de tir, ils sont attendrissants avec leurs manies démoniaques. Des ~~cinglés~~ pros vous dis-je. Ils se la racontent un peu, mais ils se signalent par leur compétences de ~~cinglés~~ pros. Plus c’est ~~cinglé~~ pro, plus ça passe. Seulement, des pros qui se la racontent il y en plein, leur siège éjectable enlisé dans les tourbières infernales de l’invective guerrière, au jeu de la burne qui repousse sans cesse, tel le bras du poulpe quand on l’agresse par surenchère. Spectres.

Irez-vous à la guerre en chantant pour défendre le portefeuille des puissants ? Mourrez-vous de votre engagement non violent en civil, citoyen d'une explosion aveugle ou robot à dessein ? L'évolution a trouvé sa propre fin. « On se la fait ~~péter dans la gueule~~ exploser au visage et on est peinards » disait un cosaque goguenard. Ça c’est de l’innovation. L’auto-suppression atomique. Qui restera t-il pour nous y envoyer si on est plus là hein ? L’IA. Chacun son tour, ce n’est que politesse…Être poli avec une IA ? Économie de mots, économie d'énergie. Plus tu es bavard, plus ça leur coûte de l'argent. Mais c'est pour le bien de l'humanité, pour sûr. Alors on bavarde, on bavarde…Et kiki ? Kiki ? Il est content kiki !

Ils sont paumés : Le design pour le design... Faire du neuf avec du vieux ? La transparence du verre inspire le commerce depuis l'Antiquité. La découverte et l'utilisation du verre remontent à environ 3500 avant J.-C. en Mésopotamie et en Égypte (Tiens, tiens…). La glace liquide c’est pour bientôt. C’est nouveau en OS26 ! Ils se ~~foutent de notre pomme~~ fourvoient un peu là non ? Quand on pense que le design à la base, c’est fait pour être efficace, pour s’oublier on s’oublie. Il faut dire que c’en est arrivé à un tel point de maturité, que les designers eux-mêmes vont se faire virer par le robot qui les remplacera, et qui finira par remplacer leur PDG. Le design de l’interface qui va leur apprendre leur licenciement par courriel sera transparent.

??Et que dire de l’insouciance des nouveaux riches, se trimballer avec plus d'un million de dollars en cash dans ses valises et être victime d'un vol traumatisant. Ben oui ! Les étoiles se font braquer de palace en palace, on a pu suivre le procès, la joie des retrouvailles en direct… Quelle idée de voyager avec plus d'un million de dollars ? Vraiment on se demande ce qui leur passe par la tête… Et puis on se dit qu'avec dix balles, c'est plus dur quand on se la pète, mais que c’est un luxe pour lequel les étoiles ne sont pas prêtes…Syndrome de Stockholm, mon dieu ! La mauvaise langue…Il faut arrêter ça tout de suite. Et kiki ? Il a finit son nonosse kiki ? Non. Il a encore tout plein de nonosses là, hein !

Dans ce monde où l'information est reine, où les nouvelles se bousculent et se ressemblent, où l'absurdité le dispute à la tragédie, il est temps de prendre du recul sans tomber de la falaise. De respirer. De réfléchir. Car dans ce pot-pourri cynique, une question demeure : et si, finalement, c'était nous les fous ? Nous serions tous dingos ! Hein mon kiki ? Tous foufous ! Il fait la roulade ! Il est fou mon kiki ! Allez tiens un nonosse tout neuf ! Oh oui, oh oui, oh oui, Il est content le kiki à son pépère ! C’est qui le dingo ? hein ?

Nota bene : Avertissement : Les événements et personnages de cette fable « abracadabrantesque » sont fictifs même s'il aurait pu aller en prison pour ça quand même. Toute ressemblance avec des personnes haut placées réelles, vivantes, morts-vivantes ou décédées, ainsi qu'avec des faits réels, irréels, rêvés, inventés sous LSD, serait purement fortuite. Et ici, le « fortuisme » on connait, alors camembert. La soif de l'art…Ils auraient du prendre leur camelbag…c'est la mode en plus. Courir partout sans prévoir c'est assurer le désespoir. Comment ça, carton rouge ? C'est l'inquisition ou quoi ici ? Et ma postérité là ? Non mais. Bien à vous.

#dingo #kiki #infos #tropdehashtagsdem #cartonrouge

mastodon : https://ensemblevide.ynh.fr/@hello courriel : hello@ensemblevide.ynh.fr