آموزش ساخت سیستم های تجزیه و تحلیل احساس در پایتون

Building Sentiment Analysis Systems in Python

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

آموزش ساخت سیستم های تجزیه و تحلیل احساس در پایتون
جزییات دوره
2h 31m
26
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
67
4.4 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Vitthal Srinivasan Vitthal Srinivasan

ویتال بسیاری از عمر خود را صرف تحصیل کرده است - وی دارای مدرک کارشناسی ارشد در رشته های ریاضی و مهندسی برق از استنفورد ، MBA از INSEAD و لیسانس مهندسی کامپیوتر از بمبئی است. او همچنین بسیاری از زندگی خود را صرف کار کرده است - به عنوان یک مشتق مشتق در Credit Suisse در نیویورک ، سپس به عنوان یک معامله گر کوان ، ابتدا با یک صندوق پرچین در گرینویچ و سپس به صورت شخصی و در نهایت در Google در سنگاپور و Flipkart بنگلور در تمام این نقش ها ، او کدهای زیادی نوشته است و مدل های زیادی ساخته است.