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

What is text mining?

Understanding text mining

Quick taste of text mining

Getting started

Load some text

Make the vector a VCorpus object (1)

Make the vector a VCorpus object (2)

Make a VCorpus from a data frame

Cleaning and preprocessing text

Common cleaning functions from tm

Cleaning with qdap

All about stop words

Intro to word stemming and stem completion

Word stemming and stem completion on a sentence

Apply preprocessing steps to a corpus

The TDM & DTM

Understanding TDM and DTM

Make a document-term matrix

Make a 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

Organizzare un progetto di text mining

Passo 1: Definizione del problema

Passo 2: Identificare le fonti di testo

Passo 3: Organizzazione del testo

Organizzazione del testo

Lavorare con le recensioni di Google

Passi 4 e 5: Estrazione delle caratteristiche e analisi

Estrazione delle caratteristiche e analisi: amzn_pros

Estrazione delle caratteristiche e analisi: amzn_cons

Dendrogramma di amzn_cons

Associazioni tra parole

Revisione rapida delle recensioni su Google

Scontro in gabbia! Recensioni pro: Amazon vs. Google

Scontro in gabbia, parte 2! Recensioni negative

Passo 6: Arriva a una conclusione

Formula conclusioni, insight o raccomandazioni

Formula un'altra conclusione, insight o raccomandazione

Finito!

Battle of the Tech Giants for Talent

Coffee tweets

Chardonnay tweets

Anonymous online reviews: Amazon

Anonymous online reviews: Google

Si stima che oltre il 70% delle informazioni aziendali potenzialmente utilizzabili sia non strutturato, spesso sotto forma di dati testuali. Il text mining offre un insieme di tecniche per ricavare insight azionabili dai dati non strutturati. In questo corso, esploreremo le basi del text mining usando il metodo bag-of-words. I primi tre capitoli presentano vari argomenti essenziali per analizzare e visualizzare dati testuali. L'ultimo capitolo ti permette di applicare tutto ciò che hai imparato in un case study reale, per estrarre insight dalle recensioni dei dipendenti di due grandi aziende tech.

Intermediate R

Scopri le basi del text mining con il metodo bag of words e altri temi essenziali per analizzare dati in R.

Text mining con Bag-of-Words in R

Impara la tecnica del bag of words per il text mining con R.

Estrazione del testo in R

Passo 1: Definizione del problema

Text mining con Bag-of-Words in R

Esercizio pratico interattivo