راهنمای کامل NLP با R

مدرس Mark Niemann-Ross

انتشار 2024/08/01

مدت زمان 5h 4m

سطح مناسب همه

فایل تمرینی دارد

آموزش Complete Guide to NLP with R

پردازش زبان طبیعی برای کلمات مانند دید کامپیوتری برای تصاویر است! NLP را با زبان برنامه نویسی R یاد بگیرید. در این دوره، مارک نیمن راس، فن‌شناس با تجربه به شما نشان می‌دهد که چگونه از زبان برنامه‌نویسی R برای پیاده‌سازی الگوریتم‌های پردازش زبان طبیعی استفاده کنید. R به طور منحصر به فردی در دستکاری ماتریس ها و تولید آمار، که هر دو هسته اصلی NLP هستند، مهارت دارد. در مورد چارچوب هایی که می توانید با NLP استفاده کنید و همچنین اهمیت corpora و منابع بیاموزید. نحوه کار با فراداده NLP و پیش پردازش متن در آماده سازی برای NLP را بیاموزید. ایجاد داده های ساختاریافته، اعمال آمار در متن، و انجام تجزیه و تحلیل احساسات را کاوش کنید و سپس در تجسم NLP غوطه ور شوید. راه هایی برای استفاده از متن دقیق و کوانتدا R برای NLP کشف کنید. درک خود را از بدنه ها، نشانه ها و ماتریس ویژگی سند (DFM) ایجاد کنید. به علاوه، به تحلیل و تجسم بپردازید. این دوره توسط Mark Niemann-Ross ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

Artificial Intelligence (AI) Natural Language Processing (NLP) R (Programming Language)

Introduction

Welcome to natural language processing with R ()

Skills and tools you need to be successful in this course ()

1. Up and Running with tm

What is tm and why do you need it? ()

Real-world NLP with tm ()

Real-world NLP with quanteda ()

Real-world NLP with tidytext ()

2. Corpora and Sources

Understanding corpora and sources ()

Examining corpora ()

Examining sources ()

Custom sources ()

Combining and subsetting corpora ()

3. Working with NLP Metadata

Working with document metadata ()

Make useful metadata ()

Finding and filtering based on metadata ()

4. Preprocessing Text in Preparation for NLP

Transformations ()

Stop words ()

Stemming ()

Lemmatization ()

Tokenization ()

N-grams ()

Part of speech tagging ()

5. Create Structured Data

Understanding the document-term matrix ()

Create the document-term matrix ()

Weighting the document-term matrix ()

Focus the document-term matrix ()

6. Apply Statistics to Text

Word and document frequency ()

Hierarchical clustering ()

Associated terms ()

7. Sentiment Analysis

What is sentiment analysis? ()

Real-world example of sentiment analysis ()

Sentiment datasets ()

Sentiment tools ()

8. Visualizing Natural Language Processing

Plotting text mining ()

Plotting Zipf’s and Heap’s Law ()

Word clouds ()

9. Conclusion

Your next steps in NLP ()

10. Introduction to NLP Tidytext R

Welcome to natural language processing with R ()

Skills you need to be successful in this course ()

11. Use of Tidytext for NLP

How to think like tidytext ()

An example: Calculate the most popular terms in a document ()

Tokenizing with unnest_tokens( ) ()

Stopwords, punctuation, whitespace, and numbers ()

Stemming and lemmatization ()

Term frequency with bind_tf_idf( ) ()

Sentiment analysis with sentiments( ) ()

Parts of speech with parts_of_speech( ) ()

Import and export from other NLP packages ()

12. Conclusion

Next steps ()

13. Introduction to NLP with Quanteda R

Welcome to natural language processing with R ()

Skills and tools you need ()

14. Getting Started with Quanteda

Introduction to quanteda ()

Install quanteda ()

15. Understanding Corpora

Create a quanteda corpus ()

Create metadata with docvars ()

Corpus subsets and groups ()

Reshape and segment a corpus ()

Remove lines from a corpus ()

16. Understanding Tokens

Corpus and tokens ()

Remove tokens and stopwords ()

Group tokens ()

Stemming with tokens ()

17. Understanding Document-Feature Matrix (DFM)

Corpus, tokens, and DFM ()

Create and modify a DFM ()

Real-world analysis with DFM ()

18. Analysis and Visualization

The quanteda textstats package ()

Real-world text statistics with textstats ()

Understand the quanteda sentiment package ()

Real-world sentiment analysis with quanteda sentiment ()

Visualization with textplots ()

Use dplyr with quanteda ()

19. Conclusion

Your next steps in NLP ()

20. Capstone Project

Project introduction ()

Project explanation ()

Ex_Files_Complete_Guide_NLP_with_R.zip (10.8 MB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش راهنمای کامل NLP با R

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Complete Guide to NLP with R در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

دانشمندان داده که به عنوان تحلیلگران داده به تمرکز شغلی جدیدی روی می آورند، این مسیر یادگیری را در انتقال مهارت های خود ارزشمند خواهند یافت. شما مهارت های موجود در زبان های برنامه نویسی مانند Python، SQL و R را خواهید آموخت و نحوه استفاده از آنها را در زمینه تحلیلی یاد خواهید گرفت. همچنین مهارت‌های قدرت را در برنامه‌های اصلی تجزیه و تحلیل مانند Tableau و Excel توسعه خواهید داد و در مهارت‌های تجسم داده‌ها پایه‌ای قوی کسب خواهید کرد.

آموزش راهنمای کامل NLP با R ، ایستگاه شماره 10 در مسیر یادگیری حرکت از دانشمند داده به تحلیلگر داده ، است.