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

Bir metin madenciliği projesini düzenlemek

Adım 1: Problemin tanımı

Adım 2: Metin kaynaklarını belirleme

Adım 3: Metnin düzenlenmesi

Metin organizasyonu

Google değerlendirmeleriyle çalışmak

Adımlar 4 ve 5: Özellik çıkarımı ve analiz

Özellik çıkarımı ve analiz: amzn_pros

Özellik çıkarımı ve analiz: amzn_cons

amzn_cons dendrogramı

Sözcük ilişkilendirme

Google değerlendirmelerine hızlı bir bakış

Kafes dövüşü! Amazon vs. Google olumlu yorumları

Kafes maçı, bölüm 2! Negatif yorumlar

Adım 6: Bir sonuca var

Sonuçlar, içgörüler veya öneriler çıkar

Başka bir sonuç, içgörü veya öneri çıkar

Bitti!

Battle of the Tech Giants for Talent

Coffee tweets

Chardonnay tweets

Anonymous online reviews: Amazon

Anonymous online reviews: Google

Kullanılabilir potansiyel iş bilgisinin %70’ten fazlasının yapılandırılmamış olduğu ve çoğunlukla metin verisi biçiminde bulunduğu tahmin ediliyor. Metin madenciliği, yapılandırılmamış veriden uygulanabilir içgörüler çıkarmamıza olanak tanıyan tekniklerin bir bütününü sunar. Bu kursta, bag-of-words yöntemini kullanarak metin madenciliğinin temellerini keşfediyoruz. İlk üç bölüm, metin verilerini analiz etmek ve görselleştirmek için gerekli çeşitli konuları tanıtır. Son bölümde ise, iki büyük teknoloji şirketinin çalışan yorumlarından içgörü çıkarmak üzere gerçek bir vaka çalışmasında öğrendiklerinin hepsini uygulayacaksın.

Intermediate R

R'de metin madenciliği ve görselleştirme için temel yöntemleri keşfedin.

R ile Bag-of-Words ile Metin Madenciliği

R ile metin madenciliği için kelime torbası tekniğini öğrenin.

Metin Madenciliği in R

Instructor

Adım 4 ve 5: Öznitelik çıkarımı ve analiz

Öznitelik çıkarımı

Terim sıklıklarını alın

plotrix ile görselleştirme oluşturun

Hadi pratik yapalım!

Battle of the Tech Giants for Talent - Adımlar 4 ve 5: Özellik çıkarımı ve analiz

Adımlar 4 ve 5: Özellik çıkarımı ve analiz

Create Your Free Account