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.

Veelvoorkomende visualisaties voor tekstmining

Test je begrip van text mining

Frequente termen met tm

Frequente termen met qdap

Introductie tot word clouds

Een eenvoudige wordcloud

Stopwoorden en word clouds

Maak de betere wordcloud

Verbeter de kleuren van de wordcloud

Gebruik ingebouwde kleurpaletten

Andere wordclouds en woordnetwerken

Vind gemeenschappelijke woorden

Visualiseer gemeenschappelijke woorden

Visualiseer niet-overeenkomende woorden

Gepolariseerde tagcloud

Visualiseer woordnetwerken

Teaser: eenvoudige woordclustering

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

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

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

Er wordt geschat dat meer dan 70% van potentieel bruikbare bedrijfsinformatie ongestructureerd is, vaak in de vorm van tekstdata. Text mining biedt een verzameling technieken waarmee we bruikbare inzichten uit ongestructureerde data kunnen halen. In deze cursus verkennen we de basis van text mining met de bag-of-words-methode. De eerste drie hoofdstukken behandelen uiteenlopende essentiële onderwerpen voor het analyseren en visualiseren van tekstdata. In het laatste hoofdstuk pas je alles wat je hebt geleerd toe in een praktijkcase om inzichten te halen uit werknemersreviews van twee grote techbedrijven.

Intermediate R

Ontdek de basis van tekstmining met de bag-of-words-methode en andere essentiële onderwerpen in R.

Andere wordclouds en woordnetwerken

Create Your Free Account