نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
با بیان بیشتر نظرات بصورت غیر ساختاری بصورت آنلاین ، تحلیل احساس اهمیت بیشتری پیدا کرده است. این دوره شامل رویکردهای مبتنی بر قاعده و مبتنی بر ML برای جذب احساسات از نظرات ، از جمله VADER ، Sentiwordnet و موارد دیگر است. نظرات آنلاین در حال فراگیر شدن است - افراد بیشتری از گذشته نظرات خود را به صورت آنلاین بیان می کنند. در نتیجه ، استخراج اطلاعات احساسات از این نظرات بسیار مهم می شود. در این دوره ، ساخت سیستم های تجزیه و تحلیل احساسات در پایتون ، شما با اصول ساخت یک سیستم برای این کار در پایتون آشنا می شوید. ابتدا تفاوت بین روشهای ML و مبتنی بر قانون و نحوه استفاده از طبقه بندی کننده های VADER ، Sentiwordnet و Naive Bayes را خواهید آموخت. در مرحله بعدی ، شما سه تحلیلگر احساسات ایجاد خواهید کرد و از آنها برای طبقه بندی مجموعه ای از بررسی فیلم های ارائه شده توسط کرنل استفاده می کنید. سرانجام ، شما یک درک مفهومی از Support Vector Machines خواهید یافت ، و اینکه چرا Naive Bayes معمولاً انتخاب بهتری است. هنگامی که با این دوره به پایان رسیدید ، درک روشنی از نحوه جذب احساسات از دیدگاه های مختلف ، و گزینه های طراحی و مبادلات تجاری خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
شناسایی کاربردهای تحلیل احساسات
Identifying Applications of Sentiment Analysis
-
معرفی تجزیه و تحلیل احساسات
Introducing Sentiment Analysis
-
دو مطالعه موردی
Two Case Studies
-
تشخیص قطبیت برای تجزیه و تحلیل احساسات
Polarity Detection for Sentiment Analysis
-
تنظیم یک مشکل طبقه بندی باینری
Setting up a Binary Classification Problem
-
طبقه بندی باینری مبتنی بر قانون و ML
Rule-based and ML-based Binary Classifiers
حل تحلیل احساس با رویکرد مبتنی بر قانون
Solving Sentiment Analysis with a Rule-based Approach
-
شروع ساده ، شروع ساده گرایانه
Starting Simple, Starting Simplistic
-
محدودیت های رویکرد ساده انگارانه
Limitations of a Simplistic Approach
-
یک الگوریتم مبتنی بر قانون واقعی تر
A More Realistic Rule-based Algorithm
-
واقعی کردن (کمی بیشتر)
Making It (Slightly More) Real
-
ساختمان سخت است ، استفاده از آن آسان است
Building Is Hard, Using Is Easy
اجرای تجزیه و تحلیل احساس با رویکرد مبتنی بر قانون
Implementing Sentiment Analysis with a Rule-based Approach
-
معرفی VADER
Introducing VADER
-
علائم نگارشی ، نفی ، تأکید و تضاد
Punctuation, Negation, Emphasis, and Contrast
-
طبقه بندی بررسی فیلم با VADER
Classifying Movie Reviews with VADER
-
معرفی Sentiwordnet
Introducing Sentiwordnet
-
طبقه بندی بررسی فیلم با Sentiwordnet
Classifying Movie Reviews with Sentiwordnet
حل تجزیه و تحلیل احساس با رویکرد مبتنی بر ML
Solving Sentiment Analysis with an ML Based Approach
-
کاوش رویکردهای مبتنی بر ML
Exploring ML-based Approaches
-
شهود پشت قضیه بیز
The Intuition Behind Bayes Theorem
-
Naive Bayes برای مشکلات طبقه بندی
Naive Bayes for Classification Problems
-
به کار بردن قضیه بیز
Applying Bayes Theorem
-
پشتیبانی از ماشین های برداری
Support Vector Machines
اجرای تجزیه و تحلیل احساسات با رویکرد مبتنی بر ML
Implementing Sentiment Analysis with an ML Based Approach
-
اهمیت استخراج ویژگی
The Importance of Feature Extraction
-
طرح کلی اجرای Naive Bayes
An Outline of Implementing Naive Bayes
-
تبدیل داده برای nltk
Data Transformation for nltk
-
اجرای Python از Naive Bayes
Python Implementation of Naive Bayes
-
مقایسه VADER ، Sentiwordnet و Naive Bayes
Comparing VADER, Sentiwordnet, and Naive Bayes
نمایش نظرات