Visão Geral

Curso Text Mining with R. Estima-se que mais de 70% das informações comerciais potencialmente utilizáveis ​​não são estruturadas, muitas vezes na forma de dados de texto. A mineração de texto fornece uma coleção de técnicas que nos permitem obter insights acionáveis ​​desses dados.

O Curso Text Mining with R cobrirá as diversas ferramentas e principais técnicas de mineração e análise de dados de texto para descobrir padrões interessantes, extrair conhecimento útil e apoiar a tomada de decisões, com ênfase em abordagens estatísticas, para dar sentido a dados não estruturados. Trabalhe com um exemplo vivo de extração de dados da Web e execute todas as facetas da mineração de texto usando R.

Objetivo

Ao participar do Curso Text Mining with R, os participantes aprenderão:

• Análise de sentimentos
• Palavra nuvem
• Ngramas
• Modelagem de Tópico
• LDA
• Extraindo texto de mídias sociais

Publico Alvo

• Cientistas de Dados
• Analistas de dados
• Analistas Financeiros
• Profissionais de marketing

Pre-Requisitos

• Conhecimento básico de R.

Materiais

Conteúdo Programatico

Introduction

1. What is text mining
2. Applications of text mining

Basic Text Functions

1. Text manipulation functions
2. Working with strings
3. Working with gsub
4. Advanced methods
5. Convert to corpus

Importing Data

1. Converting docx into corpus
2. Converting pdf into corpus
3. Converting html to corpus
4. Web scraping

Tidytext Package

1. Tidying text objects
2. Tidying document term matrix objects
3. Tidying document frequency matrix objects
4. Tidying corpus objects
5. Mining literacy works

Word Frequencies & Relationships

1. Pre-processing text
2. Wordcloud
3. Frequency analysis
4. nGrams & bigrams
5. Bigrams for sentiment analysis
6. Visualizing bigrams network

Sentiment Analysis

1. Sentiment libraries
2. Analyzing positive & negative words
3. Comparing 3 sentiment libraries
4. Common positive & negative words

Topic Modelling

1. Latent Semantic Indexing (LSI)
2. Latent Dirichlet Allocation (LDA)
3. Word topic probabilities
4. Document - topic probabilities
5. Chapters probabilities
6. Per document classification

Document Similarity & Classifier

1. Text alignment & pairwise comparison
2. Minihashing and locality sensitive hashing
3. Extract key words
4. Classify by location, language, topic

Working internet and social media (Optional)

1. Extracting data from amazon
2. Extracting data from twitter
3. Extracting youtube comments
4. Extracting facebook comments