Ürün geri bildirimlerinin TF-IDF temsili

Akıllı ev şirketinde müşteri destek ekibiyle çalışıyorsun. Çeşitli akıllı cihazlarla ilgili kullanıcı geri bildirimleri topladılar ve her değerlendirmede hangi kelimelerin öne çıktığını bulmak istiyorlar. Geri bildirimler arasında en alakalı terimleri vurgulamak için TF-IDF tekniğini kullanmayı öneriyorsun. Haydi başlayalım!

Bir metni alıp işlenmiş halini döndüren preprocess() fonksiyonu senin için yüklendi. Bu fonksiyon küçük harfe çevirme, tokenizasyon ve noktalama işaretlerini kaldırma işlemlerini uygular. Pandas pd olarak içe aktarıldı ve TfidfVectorizer sınıfı kullanıma hazır.

Bu egzersiz

Python ile Natural Language Processing (NLP)

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Bir TF-IDF vectorizer başlat.
Temizlenmiş değerlendirmeleri tfidf_matrix haline dönüştür.
Sütunları sözcük dağarcığındaki kelimeler olacak şekilde tfidf_matrix için df adlı bir DataFrame oluştur.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

reviews = ["The smart speaker is incredible. Clear sound and fast responses!",
           "I am disappointed with the smart bulb. It stopped working in a week.",
           "The thermostat is okay. Not too smart, but functional."]
cleaned_reviews = [preprocess(review) for review in reviews]

# Initialize the vectorizer
vectorizer = ____
# Transform the cleaned reviews
tfidf_matrix = ____
# Create a DataFrame for TF-IDF
df = pd.DataFrame(
  tfidf_matrix.toarray(),
  columns=vectorizer.____
)
print(df.head())

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python ile Natural Language Processing (NLP)

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

Learn the essentials of text processing in Natural Language Processing (NLP). Master techniques such as tokenization, stop word and punctuation removal, and text normalization with lowercasing, stemming, and lemmatization to prepare text data for further analysis and insight extraction.

Exercise 1: Introduction to natural language processing Exercise 2: Sentence and word tokenization Exercise 3: NLP workflow Exercise 4: Stop words and punctuation handling Exercise 5: Removing stop words Exercise 6: Removing punctuation Exercise 7: Text normalization techniques Exercise 8: Lowercasing Exercise 9: Stemming Exercise 10: Lemmatization

Transform raw text into powerful numerical features. Create Bag-of-Words and TF-IDF representations to capture word importance across documents, then explore word embeddings like Word2Vec and GloVe to uncover deep semantic patterns. Visualize frequency, relevance, and similarity to bring your text data to life.

Exercise 1: Bag-of-Words gösterimi Exercise 2: Müşteri incelemelerinden sözlük oluşturma Exercise 3: BoW ile metni sayılara dönüştürme Exercise 4: Ürün yorumlarının frekans analizi Exercise 5: Kelime frekanslarını görselleştirme Exercise 6: TF-IDF vektörleştirme Exercise 7: Ürün geri bildirimlerinin TF-IDF temsili

Geçerli Egzersiz

Exercise 8: BoW ve TF-IDF gösterimlerini karşılaştırma Exercise 9: Gömlemeler Exercise 10: Gömme vektörlerle kelime ilişkilerini keşfetme Exercise 11: Kelime gömme vektörlerini görselleştirme ve karşılaştırma

Harness the power of pre-trained models to perform advanced text classification tasks. Use Hugging Face pipelines for sentiment analysis, topic classification, and natural language inference. Evaluate semantic similarity and grammatical correctness with state-of-the-art models, all without building anything from scratch.

Exercise 1: Hugging Face pipelines for sentiment analysis Exercise 2: Analyzing the sentiment of a review Exercise 3: Batch classifying multiple reviews Exercise 4: Comparing models on labeled review data Exercise 5: Zero-shot classification and QNLI Exercise 6: Zero-shot classification of support tickets Exercise 7: Does the text answer the question?Exercise 8: Question similarity and grammatical correctness Exercise 9: Detecting duplicate questions Exercise 10: Checking grammatical correctness

Dive into the core of modern NLP applications with token classification and text generation techniques. Learn to extract meaningful entities and grammatical structures using NER and PoS tagging. Master both extractive and abstractive question answering, and explore advanced generation tasks including summarization, translation, and language modeling using Hugging Face pipelines.

Exercise 1: Token classification Exercise 2: Identifying named entities in news headlines Exercise 3: Part of Speech tagging for text analysis Exercise 4: Question answering Exercise 5: Answering questions from product descriptions Exercise 6: Generating natural answers with abstractive QA Exercise 7: Sequence generation tasks Exercise 8: Summarizing news articles for quick insights Exercise 9: Translating customer reviews to French Exercise 10: Building a search completion system Exercise 11: Congratulations