دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: برنامه نویسی: زبان های برنامه نویسی ویرایش: نویسندگان: Richard Heimann. Nathan Danneman سری: ISBN (شابک) : 9781783281770 ناشر: Packt Publishing سال نشر: 2014 تعداد صفحات: 122 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Social Media Mining with R به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب کاوی رسانه های اجتماعی با R نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
Cover
Copyright
Credits
About the Authors
About the Reviewers
www.PacktPub.com
Table of Contents
Preface
Chapter 1: Going Viral
Social media mining using sentiment analysis
The state of communication
What is Big Data?
Human sensors and honest signals
Quantitative approaches
Summary
Chapter 2: Getting Started with R
Why R?
Quick start
The basics --
assignment and arithmetic
Functions, arguments, and help
Vectors, sequences, and combining vectors
A quick example --
creating data frames and importing files
Visualization in R
Style and workflow
Additional resources
Summary Chapter 3: Mining Twitter with RWhy Twitter data?
Obtaining Twitter data
Preliminary analyses
Summary
Chapter 4: Potentials and Pitfalls of Social Media Data
Opinion mining made difficult
Sentiment and its measurement
The nature of social media data
Traditional versus nontraditional social data
Measurement and inferential challenges
Summary
Chapter 5: Social Media Mining --
Fundamentals
Key concepts of social media mining
Good data versus bad data
Understanding sentiments
Scherer\'s typology of emotions
Sentiment polarity --
data and classification Supervised social media mining --
lexicon-based sentimentSupervised social media mining --
Naive Bayes classifiers
Unsupervised social media mining --
Item Response Theory for text scaling
Summary
Chapter 6: Social Media Mining --
Case Studies
Introductory considerations
Case study 1 --
supervised social media mining --
lexicon-based sentiment
Case study 2 --
Naive Bayes classifier
Case study 3 --
IRT models for unsupervised sentiment scaling
Summary
Appendix: Conclusions and Next Steps
Final thoughts
An expanding field
Further reading
Bibliography
Index