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

Metin madenciliği nedir?

Metin madenciliğini anlama

Metin madenciliğine hızlı bir giriş

Başlarken

Biraz metin yükle

Vektörü bir VCorpus nesnesine dönüştür (1)

Vektörü bir VCorpus nesnesine dönüştür (2)

Bir veri çerçevesinden VCorpus oluştur

Metni temizleme ve ön işleme

tm paketinden yaygın temizleme fonksiyonları

qdap ile temizleme

Durak sözcükler hakkında her şey

Kelime kök bulma ve kök tamamlama giriş

Bir cümlede gövdeleme (stemming) ve gövde tamamlama

Bir korpusa ön işleme adımlarını uygula

TDM ve DTM

TDM ve DTM'yi Anlamak

Belge-terim matrisi oluştur

Bir terim-belge matrisi oluştur

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

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.

TDM ve DTM'yi Anlamak

R ile Bag-of-Words ile Metin Madenciliği

Uygulamalı interaktif egzersiz