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

Apa itu text mining?

Memahami text mining

Cicip cepat text mining

Mulai

Muat beberapa teks

Jadikan vektor sebagai objek VCorpus (1)

Jadikan vektor sebagai objek VCorpus (2)

Buat VCorpus dari sebuah data frame

Pembersihan dan prapemrosesan teks

Fungsi pembersihan umum dari tm

Pembersihan dengan qdap

Semua tentang stop word

Pengantar word stemming dan stem completion

Word stemming dan stem completion pada sebuah kalimat

Terapkan langkah prapemrosesan pada sebuah korpus

TDM & DTM

Memahami TDM dan DTM

Membuat document-term matrix

Buat term-document matrix

Jumping into Text Mining with Bag-of-Words

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

Word Clouds and More Interesting Visuals

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

Simple word clustering

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

Adding to Your TM Skills

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

Finished!

Battle of the Tech Giants for Talent

Coffee tweets

Chardonnay tweets

Anonymous online reviews: Amazon

Anonymous online reviews: Google

Diperkirakan lebih dari 70% informasi bisnis yang berpotensi digunakan bersifat tidak terstruktur, sering kali berupa data teks. Text mining menyediakan kumpulan teknik yang memungkinkan kita memperoleh wawasan yang dapat ditindaklanjuti dari data tidak terstruktur. Dalam kursus ini, kita mempelajari dasar-dasar text mining menggunakan metode bag of words. Tiga bab pertama memperkenalkan berbagai topik penting untuk menganalisis dan memvisualisasikan data teks. Bab terakhir memungkinkan Anda menerapkan semua yang telah dipelajari dalam studi kasus dunia nyata untuk mengekstrak wawasan dari ulasan karyawan di dua perusahaan teknologi besar.

Intermediate R

Pelajari dasar text mining dengan metode bag of words dan topik penting lainnya untuk analisis data teks di R.

Text Mining dengan Bag-of-Words di R

Pelajari teknik bag of words untuk penambangan teks menggunakan R.

Pencarian Teks di R

Memahami TDM dan DTM

Text Mining dengan Bag-of-Words di R

Latihan interaktif praktis