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.

Yaygın metin madenciliği görselleştirmeleri

Metin madenciliğini ne kadar anladığını test et

tm ile sık geçen terimler

qdap ile sık geçen terimler

Kelime bulutlarına giriş

Basit bir kelime bulutu

Durma sözcükleri ve kelime bulutları

Daha iyi kelime bulutunu çiz

Kelime bulutu renklerini geliştir

Hazır renk paletlerini kullan

Diğer kelime bulutları ve kelime ağları

Ortak sözcükleri bul

Ortak sözcükleri görselleştir

Benzeşmeyen kelimeleri görselleştir

Kutuplaşmış etiket bulutu

Sözcük ağlarını görselleştir

Tüyolar: basit kelime kümeleri

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

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

Ortaklık bulutları

Karşılaştırma bulutları

Piramit grafikler

Kelime ağları

Hadi pratik yapalım!

Word Clouds and More Interesting Visuals - Diğer kelime bulutları ve kelime ağları

Diğer kelime bulutları ve kelime ağları

Create Your Free Account