آموزش متن کاوی کاربردی و تحلیل احساسات با پایتون
Applied Text Mining and Sentiment Analysis with Python
"قیمت بیت کوین (BTC) به تازگی به بالاترین سطح جدید رسیده است! #ارز رمزنگاری #بیت کوین # صعودی"
برای من و شما، کاملا واضح به نظر می رسد که این خبر خوبی در مورد بیت کوین است، اینطور نیست؟ اما آیا درک آن برای یک ماشین به این راحتی است؟ ... احتمالاً نه ... خوب، این دقیقاً همان چیزی است که این دوره در مورد آن است: یادگیری نحوه ساخت یک مدل یادگیری ماشینی که قادر به خواندن و طبقه بندی همه این اخبار برای ما باشد!
از سال 2006، توییتر به طور مداوم منبع اطلاعاتی در حال رشد بوده است و ما را در مورد همه چیز و هیچ چیز آگاه نگه می دارد. تخمین زده می‌شود که در هر ثانیه بیش از 6000 توییت در این پلتفرم رد و بدل می‌شود که آن را به معدنی تمام‌شدنی از اطلاعات تبدیل می‌کند که استفاده نکردن از آن شرم آور است.
خوشبختانه، روش‌های مختلفی برای پردازش توییت‌ها به صورت خودکار، و بازیابی اطلاعات دقیق در یک لحظه وجود دارد... آیا علاقه‌مند به یادگیری چنین راه‌حلی به روشی سریع و آسان هستید؟ به زیر نگاهی بیندازید ...
_________________________________________________
در این دوره چه چیزی یاد خواهید گرفت؟
با گذراندن این دوره، تمام مراحل لازم برای ساختن مدل پیش‌بینی احساسات توییت خود را خواهید آموخت. با این اوصاف، زمانی که این دوره به 4 بخش مختلف تقسیم شده است، اما سهم خود را از دانش در یک زمینه خاص (متن کاوی، NLP و یادگیری ماشینی) ارائه می‌کند، چیزهای بیشتری خواهید آموخت.
بخش 1: مقدمه ای بر متن کاوی
در این بخش اول، چندین عنصر کلی را بررسی خواهیم کرد که مشکل شروع و چالش‌های مختلف برای غلبه بر داده‌های متنی را تنظیم می‌کنند. این نیز بخشی است که در آن مجموعه داده های توییتر خود را با استفاده از کتابخانه هایی مانند Pandas یا Matplotlib کشف خواهیم کرد.
بخش 2: عادی سازی متن
داده‌های توییتر بسیار نامرتب هستند. هدف این بخش پاکسازی عمیق همه توییت‌های ما با استفاده از تکنیک‌های Text Mining و برخی کتابخانه‌های مناسب مانند NLTK است. پس از اتمام کار با این بخش، توکن‌سازی، ریشه‌یابی یا واژه‌سازی هیچ رازی برای شما نخواهد داشت.
بخش 3: نمایش متن
قبل از اینکه داده‌های پاک‌سازی‌شده ما به مدل ما داده شود، باید یاد بگیریم که چگونه آن را به‌درستی نشان دهیم. هدف این بخش پوشش روش‌های مختلف خاص برای این منظور است که اغلب در NLP استفاده می‌شود (Bag-of-Words، TF-IDF، و غیره). این به ما فرصت بیشتری برای استفاده از NLTK می دهد.
بخش 4: مدل سازی ML
در نهایت ... هیجان انگیزترین مرحله از همه! این بخش درباره کنار هم قرار دادن همه چیزهایی است که آموخته ایم، تا بتوانیم مدل پیش بینی احساسات خود را بسازیم. مهمتر از همه، فرصتی برای استفاده از یکی از پرکاربردترین کتابخانه ها در یادگیری ماشینی است: Scikit-Learn (SKLEARN).
_________________________________________________
چرا این دوره با سایر دوره هایی که می توانم در مورد یک موضوع پیدا کنم متفاوت است؟
یکی از تمایزهای کلیدی این دوره این است که به طور کلی در مورد یادگیری متن کاوی، NLP یا یادگیری ماشین نیست. هدف، پیگیری یک هدف بسیار دقیق (تحلیل احساسات) و تعمیق تمام مراحل لازم برای رسیدن به این هدف با استفاده از ابزارهای مناسب است.
بنابراین نه، ممکن است در پایان این دوره هنوز یک متخصص بی‌نظیر در هوش مصنوعی نباشید، متأسفیم... اما دقیقاً می‌دانید که چگونه و چرا برنامه Sentiment شما به خوبی کار می‌کند.
_________________________________________________
درباره AIoutsider
AIOutsider در سال 2020 با هدف تسهیل یادگیری هوش مصنوعی ایجاد شد. اغلب اوقات، این زمینه بسیار مبهم دیده می شود یا برای استفاده به دانش پیشرفته نیاز دارد. در AIoutsider، می‌خواهیم نشان دهیم که اینطور نیست. و در حالی که موضوعات دشوارتری برای پوشش دادن وجود دارد، موضوعاتی نیز وجود دارد که همه می توانند به آنها دسترسی پیدا کنند، درست مانند آنچه در این دوره ارائه شده است. اگر بیشتر می خواهید، از وب سایت ما دیدن کنید!
_________________________________________________
بنابراین، اگر به یادگیری هوش مصنوعی و نحوه استفاده از آن در زندگی واقعی برای حل مسائل عملی مانند تجزیه و تحلیل احساسات علاقه دارید، تنها یک کار برای شما باقی مانده است که باید انجام دهید... با ما بیاموزید و به این دوره بپیوندید!
پیش نمایش دوره Course Preview
-
پیش نمایش Preview
مقدمه ای بر متن کاوی Introduction to Text Mining
-
نمای کلی بخش Section Overview
-
Text چیست؟ What is Text?
-
متن کاوی چیست؟ What is Text Mining?
-
متن کاوی و NLP Text Mining and NLP
-
تحلیل احساسات Sentiment Analysis
-
نقشه راه Roadmap
-
(تمرین پایتون) Google Colab (Python Practice) Google Colab
-
(تمرین پایتون) اتصال مجموعه داده (Python Practice) Dataset Connection
-
(Python Practice) مروری بر مجموعه داده (Python Practice) Dataset Overview
-
(تمرین پایتون) تجسم مجموعه داده (Python Practice) Dataset Visualization
عادی سازی متن Text Normalization
-
نمای کلی بخش Section Overview
-
عادی سازی متن چیست؟ What is Text Normalization?
-
تمیز کردن متن (1/2) - ویژگی های توییتر Text Cleaning (1/2) - Twitter Features
-
(تمرین پایتون) پاک کردن ویژگی های توییتر (Python Practice) Cleaning Twitter Features
-
تمیز کردن متن (2/2) - ویژگی های عمومی Text Cleaning (2/2) - General Features
-
(تمرین پایتون) ویژگی های کلی پاکسازی (Python Practice) Cleaning General Features
-
توکن سازی Tokenization
-
(تمرین پایتون) توکن سازی کاربردی (1/3) (Python Practice) Applied Tokenization (1/3)
-
(تمرین پایتون) توکن سازی کاربردی (2/3) (Python Practice) Applied Tokenization (2/3)
-
(تمرین پایتون) توکن سازی کاربردی (3/3) (Python Practice) Applied Tokenization (3/3)
-
ساقه Stemming
-
(تمرین پایتون) بنیادی کاربردی (Python Practice) Applied Stemming
-
Lemmatization Lemmatization
-
(تمرین پایتون) Lemmatization کاربردی (Python Practice) Applied Lemmatization
-
(Python Pratice) پیش پردازش توییت (Python Pratice) Tweet Pre-Processing
بردار سازی متن Text Vectorization
-
نمای کلی بخش Section Overview
-
چرا بازنمایی متن؟ Why Representing Text?
-
(Python Practice) پیش پردازش مجموعه داده (Python Practice) Dataset Preprocessing
-
فرکانس های کلمه مثبت/منفی Positive/Negative Word Frequencies
-
(تمرین پایتون) فرکانس های کاربردی مثبت/منفی (Python Practice) Applied Positive/Negative Frequencies
-
کیسه از کلمات Bag-of-Words
-
(تمرین پایتون) کیسه کلمات کاربردی (Python Practice) Applied Bag-of-Words
-
TF-IDF TF-IDF
-
(تمرین پایتون) TF-IDF کاربردی (Python Practice) Applied TF-IDF
تحلیل احساسات Sentiment Analysis
-
نمای کلی بخش Section Overview
-
نمای کلی بخش Section Overview
-
چرا مدل؟ Why a model?
-
رگرسیون لجستیک Logistic Regression
-
آموزش مدل ML ML Model Training
-
(تمرین پایتون) تقسیم قطار/تست (Python Practice) Train/Test split
-
(تمرین پایتون) برازش مدل ML (Python Practice) ML Model Fitting
-
معیارهای عملکرد مدل Model Performance Measures
-
(تمرین پایتون) معیارهای عملکرد کاربردی (Python Practice) Applied Performance Measures
-
(تمرین پایتون) خط لوله پیش بینی (Python Practice) Prediction Pipeline
بخش پاداش: کلمه نهایی و کوپن BONUS SECTION: final word & coupons
-
کدهای کوپن Coupon codes
https://donyad.com/d/f33338
Benjamin Termonia
هوش مصنوعی و اتوماسیون پرشور
نمایش نظرات