Analiza danych tekstowych z serwisów społecznościowych 1100-12-G13-DS-ADTSS

1. Wprowadzenie
• Serwisy społecznościowe jako źródło danych
• Podstawowe pojęcia text mining
2. Przetwarzanie języka naturalnego
• Częstość występowania tokenu
• Tokenizacja tekstu
• Normalizacja tekstu
• POS Tagging
• Reprezentacja dokumentu (BoW, TF-IDF)
• Entity Recognition
3. Klasyfikacja tekstu
4. Analiza sentymentu
• Podejście wykorzystujące nadzorowane metody uczenia maszynowego
• Podejście słownikowe
5. Modelowanie tematyczne
• LDA
6. Analiza skupień

Całkowity nakład pracy studenta

15 godz. Praca z nauczycielem 15 godz. Konsultacje z nauczycielem 20 godz. Praca indywidualna studenta potrzebna do pomyślnego zaliczenia przedmiotu Razem nakład pracy studenta: 50 godz.

Efekty uczenia się - wiedza

w zaawansowanym stopniu pojęcia, metody i techniki prowadzenia badań, w tym gromadzenia i pozyskiwania danych ze źródeł pierwotnych i wtórnych, danych z sieci społecznych, wybrane narzędzia zaawansowanej analizy danych i wizualizacji danych, niezbędne do prowadzenia działań w ramach gospodarki cyfrowej; K_W08

Efekty uczenia się - umiejętności

potrafi dokonywać oceny wyników badań, w tym z wykorzystaniem zaawansowanych narzędzi informatycznych w świetle zachodzących procesów w gospodarce cyfrowej, K_U02 potrafi stosować odpowiednie do problemów w warunkach digitalizacji gospodarki metody i techniki badawcze (w tym zaawansowane metody i systemy informatyczne oraz matematyczno-statystyczne), K_U04

Efekty uczenia się - kompetencje społeczne

krytycznej oceny posiadanej wiedzy i odbieranych treści, uwzględniając zmiany generowane przez cyfryzację gospodarki oraz do zasięgania opinii ekspertów w przypadku trudności z samodzielnym rozwiązaniem problemu; K_K03

Koordynatorzy przedmiotu

Joanna Michalak

Metody dydaktyczne

Podające metody nauczania: 1) Opis Poszukujące metody nauczania: 1) Ćwiczeniowa 2) Projektu

Wymagania wstępne

Zakres wiedzy: 1. Python (pandas, numpy, matplotlib, scikit-learn) 2. Podstawowa wiedza dotycząca uczenia maszynowego 3. Podstawowa wiedza z kursu matematyki 4. Statystyka

Kryteria oceniania

Kolokwium - K_W08, K_U02, K_U04, K_K03

Literatura

1. M. Dzieciątko, . Sinczyk; Text Mining: metody, narzędzia i zastosowanie. Wykorzystanie SAS TEXT Analytics; Wydawnictwo Naukowe PWN
2. Yuxi (Hayden) Liu, Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn; Wydawnictwo Helion
3. Wes McKinney, Python w analizie danych. Przetwarzanie danych za pomocą akietów Pandas i NumPy oraz środowiska IPython; wydawnictwo Helion
4. Sebastian Raschka; Python. Uczenie maszynowe; Wydawnictwo Helion

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu 1100-12-G13-DS-ADTSS w USOSweb