Lewati ke konten utama

Kursus

Analisis Sentimen dengan Python

MenengahTingkat Keterampilan

Diperbarui 02/2024

Apakah pelanggan Anda puas dengan produk Anda atau apakah layanan Anda kurang memadai? Pelajari cara melakukan tugas analisis sentimen end-to-end.

Mulai Kursus Gratis

PythonMachine Learning

4 jam

16 videos

60 Latihan

5,050 XP

23,524

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Pernahkah Anda meninggalkan ulasan untuk menyampaikan pendapat tentang suatu produk atau layanan? Dan apakah Anda terbiasa memeriksa ulasan produk secara online sebelum membelinya? Informasi seperti ini berharga bukan hanya bagi Anda, tetapi juga bagi perusahaan. Dalam kursus ini, Anda akan mempelajari cara memahami sentimen yang diungkapkan dalam berbagai dokumen. Anda akan menggunakan himpunan data dunia nyata berisi tweet serta ulasan film dan produk, serta memanfaatkan paket nltk dan scikit-learn di Python. Di akhir kursus, Anda akan mampu mengerjakan tugas analisis sentimen ujung-ke-ujung berdasarkan cara penumpang maskapai AS mengekspresikan perasaan mereka di Twitter.

Persyaratan

1

Seluk-beluk Analisis Sentimen

Pernahkah Anda memeriksa ulasan atau penilaian suatu produk atau layanan sebelum membelinya? Jika ya, sangat mungkin Anda sudah berhadapan langsung dengan analisis sentimen. Pada bab ini, Anda akan mempelajari struktur dasar masalah analisis sentimen dan mulai mengeksplorasi sentimen dari ulasan film.

Selamat datang!

Elemen dalam masalah analisis sentimen

Berapa banyak ulasan positif dan negatif yang ada?

Ulasan terpanjang dan terpendek

Jenis dan pendekatan analisis sentimen

Mendeteksi sentimen dari Tale of Two Cities

Membandingkan sentimen dua string

Apa sentimen dari sebuah ulasan film?

Mari membuat word cloud!

Word cloud pertama Anda

Kata apa saja yang ada di word cloud?

Word Cloud pada ulasan film

2

Fitur Numerik dari Ulasan

Bayangkan Anda berada di posisi sebuah perusahaan yang menawarkan beragam produk. Anda ingin mengetahui produk mana yang paling laris dan terutama—mengapa. Kita memulai langkah pertama untuk memahami ulasan produk dengan menggunakan himpunan data ulasan produk Amazon. Untuk itu, kita mengubah teks ke dalam bentuk numerik dan mempertimbangkan beberapa kompleksitas dalam prosesnya.

Bag-of-words

Pernyataan mana tentang BOW yang benar?

BOW pertama Anda

BOW menggunakan ulasan produk

Lebih mendetail dengan n-gram

Tentukan panjang urutan token dengan BOW

Ukuran kosakata ulasan film

BOW dengan n-gram dan ukuran kosa kata

Bangun fitur baru dari teks

Tokenisasi sebuah string dari GoT

Token kata dari Avengers

Fitur untuk panjang ulasan

Bisakah Anda menebak bahasanya?

Identifikasi bahasa dari sebuah string

Deteksi bahasa dari sebuah daftar string

Deteksi bahasa ulasan produk

3

Lebih Lanjut tentang Vektor Numerik: Transformasi Tweet

Bab ini melanjutkan proses memahami ulasan produk. Kita akan membahas kompleksitas tambahan, khususnya saat bekerja dengan data analisis sentimen dari platform media sosial seperti Twitter. Kita juga akan mempelajari cara lain untuk memperoleh fitur numerik dari teks.

Word cloud dari tweet

Sentimen maskapai dengan stop words

Beberapa kolom teks

Menangkap pola token

Tentukan pola token

Operator string dengan data Twitter

Operator string lanjutan dan Twitter

Stemming dan lemmatisasi

Stem dan lemma dari GoT

Stemming ulasan berbahasa Spanyol

Stem dari tweet

TfIdf: Cara lain untuk mentransformasi teks

TfIdf pertama Anda

TfIdf pada data sentimen maskapai di Twitter

Tfidf dan BOW pada data yang sama

4

Mari Prediksi Sentimennya

Kita menerapkan Machine Learning untuk memprediksi sentimen sebuah ulasan berdasarkan kata-kata yang digunakan dalam ulasan tersebut. Kita menggunakan regresi logistik dan mengevaluasi kinerjanya dengan beberapa cara. Ini adalah model-model awal yang solid!

Ayo prediksi sentimen!

Logistic regression untuk ulasan film

Logistic regression dengan data Twitter

Apakah kita benar-benar memprediksi sentimen dengan baik?

Membangun dan mengevaluasi model: ulasan film

Metrik kinerja pada data Twitter

Bangun dan evaluasi model: data ulasan produk

Regresi logistik: peninjauan kembali

Prediksi probabilitas ulasan film

Ulasan produk dengan regularisasi

Regularisasi model dengan data Twitter

Menggabungkan semuanya

Langkah 1: Word cloud dan pembuatan fitur

Langkah 2: Membangun vectorizer

Langkah 3: Membangun classifier

Analisis Sentimen dengan Python

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang

Bergabung dengan 19 juta pelajar dan mulai Analisis Sentimen dengan Python Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.