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

Che cos'è il text mining?

Capire il text mining

Un assaggio rapido di text mining

Per cominciare

Carica un po' di testo

Trasforma il vettore in un oggetto VCorpus (1)

Trasforma il vettore in un oggetto VCorpus (2)

Crea un VCorpus da un data frame

Pulizia e preelaborazione del testo

Funzioni di pulizia comuni da tm

Pulizia con qdap

Tutto sulle stop word

Introduzione allo stemming delle parole e al completamento degli stems

Stemming e completamento degli stem su una frase

Applica i passaggi di preprocessing a un corpus

Il TDM e il DTM

Capire TDM e DTM

Crea una matrice documento-termine

Crea una 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

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

Capire TDM e DTM

Text mining con Bag-of-Words in R

Esercizio pratico interattivo