První kapitola kurzu Úvod do zpracování přirozeného jazyka tě připraví na první analýzu textu. Prozkoumáš regulární výrazy a tokenizaci – dva z nejběžnějších stavebních kamenů většiny analytických úloh. Regulární výrazy ti umožní vyhledávat libovolné vzory a tokenizace ti pomůže připravit a vyčistit text pro sofistikovanější analýzu. Tato kapitola je nezbytným základem pro techniky, které se naučíš v dalších kapitolách kurzu.

Základy regulárních výrazů

Procvičování syntaxe s grep

Prozkoumání funkcí pro regulární výrazy.

Tokenizace

Funkce v tidytext

Tokenizace: věty

Základy čištění textu

Předzpracování textu: odstranění stop slov

Předzpracování textu: Stemming

Skutečné základy

V této kapitole se seznámíš s nejrozšířenějšími a nejprobádanějšími přístupy k analýze textu. Naučíš se vytvořit textový korpus, rozšířit reprezentaci bag-of-words na matici TFIDF a pomocí metriky kosinové podobnosti zjistit, jak jsou si dva texty navzájem blízké. Upevníš si základy NLP a připravíš se na jeho praktické aplikace ve 3. a 4. kapitole.

Práce s korpusem v R

Prozkoumej R korpus

Vytvoření tibble z korpusu

Vytvoření korpusu

Reprezentace bag-of-words

Procvič si BoW

Příklad BoW

Řídké matice

TFIDF

Ruční výpočty

Praxe s TFIDF

Kosinová podobnost

Příklad selhání při analýze textu

Příklad kosinové podobnosti

Reprezentace textu

Třetí kapitola se zaměřuje na dva běžné přístupy k analýze textu: klasifikační modelování a tematické modelování. Pokud pracuješ na projektech zaměřených na analýzu textu, dříve nebo později využiješ jednu z těchto metod, nebo obě. Kapitola tě naučí, jak obě techniky provádět, a přiblíží ti, jak k nim přistupovat v praxi.

Příprava textu pro modelování

Příprava dat

Odstranění řídkých termínů

Klasifikační modelování

Příklad klasifikačního modelu

Matice záměn

TFIDF tibble vs. dtm

Úvod do topic modelingu

Procvičení LDA

Přiřazení témat k dokumentům

LDA v praxi

Testování perplexity

Vyhodnocení výsledků LDA

Aplikace: klasifikace a tematické modelování

Ve čtvrté kapitole se věnujeme dvěma pilířům zpracování přirozeného jazyka: analýze sentimentu a word embeddings. Jde o techniky, které by neměl přeskočit nikdo, kdo se učí základy analýzy textu. Navíc se stručně seznámíš s BERT, tagováním slovních druhů a rozpoznáváním pojmenovaných entit. Celý kurz pokrývá téměř 15 různých analytických technik, a proto čtvrtá kapitola završí vše přehledným shrnutím toho, co ses v kurzu naučil/a.

Analýza sentimentu

Lexikony tidytext

Skóre sentimentu

Sentiment a emoce

Word embeddings

Procvičení h2o

word2vec

Další techniky analýzy NLP

Přehled metod č. 1

Opakování metod č. 2

Závěr

Pokročilé techniky

Russian Troll tweets

Animal Farm

Stejně jako každý kurz zaměřený na základy, i Úvod do zpracování přirozeného jazyka v R tě vybaví nástroji, které potřebuješ k prvním krokům v analýze textu. Zpracování přirozeného jazyka (NLP) je neustále se rozvíjející oblast datové vědy, která za poslední desetiletí zaznamenala řadu vzrušujících pokroků. Tento kurz pokryje základy těchto témat a připraví tě na rozšíření tvých analytických schopností. Ponoříme se do regulárních výrazů, tematického modelování, rozpoznávání pojmenovaných entit a dalšího – vše na konkrétních příkladech, které ti poslouží jako odrazový můstek pro budoucí analýzy.

Intermediate R

Introduction to the Tidyverse

Objevte základy NLP v R: regulární výrazy, modelování témat, rozpoznávání entit a další.

Úvod do zpracování přirozeného jazyka v R

Získejte přehled všech dovedností a nástrojů potřebných k vyniknutí v Natural Language Processing v R.

Základy čištění textu

Create Your Free Account