آموزش متن‌کاوی و تحلیل متن (Text Mining and Analytics) - آخرین آپدیت

معارفه و توجیهی Orientation

• مقدمه‌ای بر متن‌کاوی و تحلیل متن Introduction to Text Mining and Analytics

• پیش‌نیازها و تکمیل دوره Course Prerequisites & Completion

هفته اول Week 1

• 1.1 بررسی کلی متن‌کاوی و تحلیل متن: بخش اول 1.1 Overview Text Mining and Analytics: Part 1

• 1.2 بررسی کلی متن‌کاوی و تحلیل متن: بخش دوم 1.2 Overview Text Mining and Analytics: Part 2

• 1.3 تحلیل محتوای زبان طبیعی: بخش اول 1.3 Natural Language Content Analysis: Part 1

• 1.4 تحلیل محتوای زبان طبیعی: بخش دوم 1.4 Natural Language Content Analysis: Part 2

• 1.5 نمایش متن: بخش اول 1.5 Text Representation: Part 1

• 1.6 نمایش متن: بخش دوم 1.6 Text Representation: Part 2

• 1.7 استخراج و تحلیل تداعی کلمات 1.7 Word Association Mining and Analysis

• 1.8 کشف روابط پارادایماتیک: بخش اول 1.8 Paradigmatic Relation Discovery Part 1

• 1.9 کشف روابط پارادایماتیک: بخش دوم 1.9 Paradigmatic Relation Discovery Part 2

هفته دوم Week 2

• 2.1 کشف روابط سینتاگماتیک: آنتروپی 2.1 Syntagmatic Relation Discovery: Entropy

• 2.2 کشف روابط سینتاگماتیک: آنتروپی شرطی 2.2 Syntagmatic Relation Discovery: Conditional Entropy

• 2.3 کشف روابط سینتاگماتیک: اطلاعات متقابل: بخش اول 2.3 Syntagmatic Relation Discovery: Mutual Information: Part 1

• 2.4 کشف روابط سینتاگماتیک: اطلاعات متقابل: بخش دوم 2.4 Syntagmatic Relation Discovery: Mutual Information: Part 2

• 2.5 متن‌کاوی و تحلیل موضوع: انگیزه و تعریف مسئله 2.5 Topic Mining and Analysis: Motivation and Task Definition

• 2.6 متن‌کاوی و تحلیل موضوع: واژه به عنوان موضوع 2.6 Topic Mining and Analysis: Term as Topic

• 2.7 متن‌کاوی و تحلیل موضوع: مدل‌های موضوعی احتمالی 2.7 Topic Mining and Analysis: Probabilistic Topic Models

• 2.8 مدل‌های موضوعی احتمالی: بررسی کلی مدل‌های زبانی آماری: بخش اول 2.8 Probabilistic Topic Models: Overview of Statistical Language Models: Part 1

• 2.9 مدل‌های موضوعی احتمالی: بررسی کلی مدل‌های زبانی آماری: بخش دوم 2.9 Probabilistic Topic Models: Overview of Statistical Language Models: Part 2

• 2.10 مدل‌های موضوعی احتمالی: استخراج یک موضوع 2.10 Probabilistic Topic Models: Mining One Topic

هفته سوم Week 3

• 3.1 مدل‌های موضوعی احتمالی: ترکیبی از مدل‌های زبانی تک‌واژه‌ای (Unigram) 3.1 Probabilistic Topic Models: Mixture of Unigram Language Models

• 3.2 مدل‌های موضوعی احتمالی: تخمین مدل ترکیبی: بخش اول 3.2 Probabilistic Topic Models: Mixture Model Estimation: Part 1

• 3.3 مدل‌های موضوعی احتمالی: تخمین مدل ترکیبی: بخش دوم 3.3 Probabilistic Topic Models: Mixture Model Estimation: Part 2

• 3.4 مدل‌های موضوعی احتمالی: الگوریتم بیشینه‌سازی امید ریاضی (EM): بخش اول 3.4 Probabilistic Topic Models: Expectation-Maximization Algorithm: Part 1

• 3.5 مدل‌های موضوعی احتمالی: الگوریتم بیشینه‌سازی امید ریاضی (EM): بخش دوم 3.5 Probabilistic Topic Models: Expectation-Maximization Algorithm: Part 2

• 3.6 مدل‌های موضوعی احتمالی: الگوریتم بیشینه‌سازی امید ریاضی (EM): بخش سوم 3.6 Probabilistic Topic Models: Expectation-Maximization Algorithm: Part 3

• 3.7 تحلیل معنایی نهفته احتمالی (PLSA): بخش اول 3.7 Probabilistic Latent Semantic Analysis (PLSA): Part 1

• 3.8 تحلیل معنایی نهفته احتمالی (PLSA): بخش دوم 3.8 Probabilistic Latent Semantic Analysis (PLSA): Part 2

• 3.9 تخصیص دیریکله نهفته (LDA): بخش اول 3.9 Latent Dirichlet Allocation (LDA): Part 1

• 3.10 تخصیص دیریکله نهفته (LDA): بخش دوم 3.10 Latent Dirichlet Allocation (LDA): Part 2

هفته چهارم Week 4

• 4.1 خوشه‌بندی متن: انگیزه و هدف 4.1 Text Clustering: Motivation

• 4.2 خوشه‌بندی متن: مدل‌های احتمالی مولد: بخش اول 4.2 Text Clustering: Generative Probabilistic Models Part 1

• 4.3 خوشه‌بندی متن: مدل‌های احتمالی مولد: بخش دوم 4.3 Text Clustering: Generative Probabilistic Models Part 2

• 4.4 خوشه‌بندی متن: مدل‌های احتمالی مولد: بخش سوم 4.4 Text Clustering: Generative Probabilistic Models Part 3

• 4.5 خوشه‌بندی متن: رویکردهای مبتنی بر شباهت 4.5 Text Clustering: Similarity-based Approaches

• 4.6 خوشه‌بندی متن: ارزیابی 4.6 Text Clustering: Evaluation

• 4.7 دسته‌بندی متن: انگیزه و هدف 4.7 Text Categorization: Motivation

• 4.8 دسته‌بندی متن: متدها و روش‌ها 4.8 Text Categorization: Methods

• 4.9 دسته‌بندی متن: مدل‌های احتمالی مولد 4.9 Text Categorization: Generative Probabilistic Models

هفته پنجم Week 5

• 5.1 دسته‌بندی متن: طبقه‌بندی‌کننده تمایزی: بخش اول 5.1 Text Categorization: Discriminative Classifier Part 1

• 5.2 دسته‌بندی متن: طبقه‌بندی‌کننده تمایزی: بخش دوم 5.2 Text Categorization: Discriminative Classifier Part 2

• 5.3 دسته‌بندی متن: ارزیابی: بخش اول 5.3 Text Categorization: Evaluation Part 1

• 5.4 دسته‌بندی متن: ارزیابی: بخش دوم 5.4 Text Categorization: Evaluation Part 2

• 5.5 استخراج نظر و تحلیل احساسات: انگیزه و هدف 5.5 Opinion Mining and Sentiment Analysis: Motivation

• 5.6 استخراج نظر و تحلیل احساسات: طبقه‌بندی احساسات 5.6 Opinion Mining and Sentiment Analysis: Sentiment Classification

• 5.7 استخراج نظر و تحلیل احساسات: رگرسیون لجستیک ترتیبی 5.7 Opinion Mining and Sentiment Analysis: Ordinal Logistic Regression

هفته ششم Week 6

• 6.1 استخراج نظر و تحلیل احساسات: تحلیل رتبه‌بندی جنبه‌های نهفته: بخش اول 6.1 Opinion Mining and Sentiment Analysis: Latent Aspect Rating Analysis Part 1

• 6.2 استخراج نظر و تحلیل احساسات: تحلیل رتبه‌بندی جنبه‌های نهفته: بخش دوم 6.2 Opinion Mining and Sentiment Analysis: Latent Aspect Rating Analysis Part 2

• 6.3 پیش‌بینی مبتنی بر متن 6.3 Text-Based Prediction

• 6.4 متن‌کاوی زمینه‌ای: انگیزه و هدف 6.4 Contextual Text Mining: Motivation

• 6.5 متن‌کاوی زمینه‌ای: تحلیل معنایی نهفته احتمالی زمینه‌ای 6.5 Contextual Text Mining: Contextual Probabilistic Latent Semantic Analysis

• 6.6 متن‌کاوی زمینه‌ای: استخراج موضوعات با زمینه شبکه اجتماعی 6.6 Contextual Text Mining: Mining Topics with Social Network Context

• 6.7 متن‌کاوی زمینه‌ای: استخراج موضوعات گذرا با نظارت سری زمانی 6.7 Contextual Text Mining: Mining Casual Topics with Time Series Supervision

• 6.8 جمع‌بندی نهایی دوره 6.8 Course Summary