Ana içeriğe atla

Kurs

R ile Bag-of-Words ile Metin Madenciliği

Orta SeviyeBeceri Seviyesi

Güncel 05.2024

R ile metin madenciliği için kelime torbası tekniğini öğrenin.

Kursa Ücretsiz Başlayın

RMachine Learning4 sa15 video69 Egzersiz5,700 XP44,249Başarı Belgesi

Ücretsiz Hesabınızı Oluşturun

veya

Devam ederek Kullanım Şartlarımızı, Gizlilik Politikamızı ve verilerinizin ABD’de saklandığını kabul etmiş olursunuz.

Binlerce şirketten öğrencinin sevgisini kazandı

2 veya daha fazla kişiyi mi eğitiyorsunuz?

DataCamp for Business ürününü deneyin

Kurs Açıklaması

Kullanılabilir potansiyel iş bilgisinin %70’ten fazlasının yapılandırılmamış olduğu ve çoğunlukla metin verisi biçiminde bulunduğu tahmin ediliyor. Metin madenciliği, yapılandırılmamış veriden uygulanabilir içgörüler çıkarmamıza olanak tanıyan tekniklerin bir bütününü sunar. Bu kursta, bag-of-words yöntemini kullanarak metin madenciliğinin temellerini keşfediyoruz. İlk üç bölüm, metin verilerini analiz etmek ve görselleştirmek için gerekli çeşitli konuları tanıtır. Son bölümde ise, iki büyük teknoloji şirketinin çalışan yorumlarından içgörü çıkarmak üzere gerçek bir vaka çalışmasında öğrendiklerinin hepsini uygulayacaksın.

Önkoşullar

1

Jumping into Text Mining with Bag-of-Words

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

Test your understanding of text mining

Frequent terms with tm

Frequent terms with qdap

Intro to word clouds

A simple word cloud

Stop words and word clouds

Plot the better word cloud

Improve word cloud colors

Use prebuilt color palettes

Other word clouds and word networks

Find common words

Visualize common words

Visualize dissimilar words

Polarized tag cloud

Visualize word networks

Teaser: simple word clustering

Bölümü Başlat

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

Test your understanding of text mining

Distance matrix and dendrogram

Make a dendrogram friendly TDM

Put it all together: a text-based dendrogram

Dendrogram aesthetics

Using word association

Getting past single words

N-gram tokenization

Changing n-grams

How do bigrams affect word clouds?

Different frequency criteria

Changing frequency weights

Capturing metadata in tm

Bölümü Başlat

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

Organizing a text mining project

Step 1: Problem definition

Step 2: Identifying the text sources

Step 3: Text organization

Text organization

Working with Google reviews

Steps 4 & 5: Feature extraction & analysis

Feature extraction & analysis: amzn_pros

Feature extraction & analysis: amzn_cons

amzn_cons dendrogram

Word association

Quick review of Google reviews

Cage match! Amazon vs. Google pro reviews

Cage match, part 2! Negative reviews

Step 6: Reach a conclusion

Draw conclusions, insights, or recommendations

Draw another conclusion, insight, or recommendation

Bölümü Başlat

R ile Bag-of-Words ile Metin Madenciliği

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyin
Sosyal medyada ve performans incelemenizde paylaşınŞimdi Kaydolun

Bugün 19 milyondan fazla öğrenciye katılın ve R ile Bag-of-Words ile Metin Madenciliği eğitimine başlayın!

Ücretsiz Hesabınızı Oluşturun

veya

Devam ederek Kullanım Şartlarımızı, Gizlilik Politikamızı ve verilerinizin ABD’de saklandığını kabul etmiş olursunuz.

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.