ข้ามไปยังเนื้อหาหลัก

Courses

Text Mining with Bag-of-Words in R

ระดับกลางระดับทักษะ

อัปเดตแล้ว 05/2567

Learn the bag of words technique for text mining with R.

เริ่มเรียนหลักสูตรฟรี

RMachine Learning

4 ชม.

15 videos

69 Exercises

5,700 เอ็กซ์พี

44,261

คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

Training a Team?

Try for Business

คำอธิบายรายวิชา

It is estimated that over 70% of potentially usable business information is unstructured, often in the form of text data. Text mining provides a collection of techniques that allows us to derive actionable insights from unstructured data. In this course, we explore the basics of text mining using the bag of words method. The first three chapters introduce a variety of essential topics for analyzing and visualizing text data. The final chapter allows you to apply everything you've learned in a real-world case study to extract insights from employee reviews of two major tech companies.

ข้อกำหนดเบื้องต้น

1

Jumping into Text Mining with Bag-of-Words

In this chapter, you'll learn the basics of using the bag-of-words method for analyzing text data.

What is text mining?

50 เอ็กซ์พี

Understanding text mining

50 เอ็กซ์พี

Quick taste of text mining

100 เอ็กซ์พี

Getting started

50 เอ็กซ์พี

Load some text

100 เอ็กซ์พี

Make the vector a VCorpus object (1)

100 เอ็กซ์พี

Make the vector a VCorpus object (2)

100 เอ็กซ์พี

Make a VCorpus from a data frame

100 เอ็กซ์พี

Cleaning and preprocessing text

50 เอ็กซ์พี

Common cleaning functions from tm

100 เอ็กซ์พี

Cleaning with qdap

100 เอ็กซ์พี

All about stop words

100 เอ็กซ์พี

Intro to word stemming and stem completion

100 เอ็กซ์พี

Word stemming and stem completion on a sentence

100 เอ็กซ์พี

Apply preprocessing steps to a corpus

100 เอ็กซ์พี

The TDM & DTM

50 เอ็กซ์พี

Understanding TDM and DTM

50 เอ็กซ์พี

Make a document-term matrix

100 เอ็กซ์พี

Make a term-document matrix

100 เอ็กซ์พี

เริ่มบท

2

Word Clouds and More Interesting Visuals

This chapter will teach you how to visualize text data in a way that's both informative and engaging.

Common text mining visuals

50 เอ็กซ์พี

Test your understanding of text mining

50 เอ็กซ์พี

Frequent terms with tm

100 เอ็กซ์พี

Frequent terms with qdap

100 เอ็กซ์พี

Intro to word clouds

50 เอ็กซ์พี

A simple word cloud

100 เอ็กซ์พี

Stop words and word clouds

100 เอ็กซ์พี

Plot the better word cloud

100 เอ็กซ์พี

Improve word cloud colors

100 เอ็กซ์พี

Use prebuilt color palettes

100 เอ็กซ์พี

Other word clouds and word networks

50 เอ็กซ์พี

Find common words

100 เอ็กซ์พี

Visualize common words

100 เอ็กซ์พี

Visualize dissimilar words

100 เอ็กซ์พี

Polarized tag cloud

100 เอ็กซ์พี

Visualize word networks

100 เอ็กซ์พี

Teaser: simple word clustering

100 เอ็กซ์พี

เริ่มบท

3

Adding to Your TM Skills

In this chapter, you'll learn more basic text mining techniques based on the bag of words method.

Simple word clustering

50 เอ็กซ์พี

Test your understanding of text mining

50 เอ็กซ์พี

Distance matrix and dendrogram

100 เอ็กซ์พี

Make a dendrogram friendly TDM

100 เอ็กซ์พี

Put it all together: a text-based dendrogram

100 เอ็กซ์พี

Dendrogram aesthetics

100 เอ็กซ์พี

Using word association

100 เอ็กซ์พี

Getting past single words

50 เอ็กซ์พี

N-gram tokenization

50 เอ็กซ์พี

Changing n-grams

100 เอ็กซ์พี

How do bigrams affect word clouds?

100 เอ็กซ์พี

Different frequency criteria

50 เอ็กซ์พี

Changing frequency weights

100 เอ็กซ์พี

Capturing metadata in tm

100 เอ็กซ์พี

เริ่มบท

4

Battle of the Tech Giants for Talent

This chapter ties everything together with a case study in text mining for HR analytics.

Amazon vs. Google

50 เอ็กซ์พี

Organizing a text mining project

50 เอ็กซ์พี

Step 1: Problem definition

50 เอ็กซ์พี

Step 2: Identifying the text sources

100 เอ็กซ์พี

Step 3: Text organization

50 เอ็กซ์พี

Text organization

100 เอ็กซ์พี

Working with Google reviews

100 เอ็กซ์พี

Steps 4 & 5: Feature extraction & analysis

50 เอ็กซ์พี

Feature extraction & analysis: amzn_pros

100 เอ็กซ์พี

Feature extraction & analysis: amzn_cons

100 เอ็กซ์พี

amzn_cons dendrogram

100 เอ็กซ์พี

Word association

100 เอ็กซ์พี

Quick review of Google reviews

100 เอ็กซ์พี

Cage match! Amazon vs. Google pro reviews

100 เอ็กซ์พี

Cage match, part 2! Negative reviews

100 เอ็กซ์พี

Step 6: Reach a conclusion

50 เอ็กซ์พี

Draw conclusions, insights, or recommendations

50 เอ็กซ์พี

Draw another conclusion, insight, or recommendation

50 เอ็กซ์พี

50 เอ็กซ์พี

เริ่มบท

Text Mining with Bag-of-Words in R

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

ในแทร็กต่อไปนี้

การทำเหมืองข้อความ ใน R

instructors

Ted Kwartler

Ted Kwartler

Adjunct Professor, Harvard University

collaborators

Courses resources

Coffee tweetsdatasets

Chardonnay tweetsdatasets

Anonymous online reviews: Amazondatasets

Anonymous online reviews: Googledatasets

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Text Mining with Bag-of-Words in R วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา