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: 1 نویسندگان: Julia Silge. David Robinson سری: ISBN (شابک) : 1491981652, 9781491981658 ناشر: O’Reilly Media سال نشر: 2017 تعداد صفحات: 184 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
کلمات کلیدی مربوط به کتاب استخراج متن با R: رویکردی مرتب: است
در صورت تبدیل فایل کتاب Text Mining with R: A Tidy Approach 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 استخراج متن با R: رویکردی مرتب 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.
بسیاری از دادههای موجود امروزی بدون ساختار و متن سنگین هستند، و استفاده از ابزارهای مجادله و تجسم دادههای معمول خود را برای تحلیلگران چالش برانگیز میسازد. با این کتاب کاربردی، تکنیکهای متنکاوی را با tidytext کشف خواهید کرد، بستهای که نویسندگان جولیا سیلج و دیوید رابینسون با استفاده از اصول مرتب پشت بستههای R مانند ggraph و dplyr یاد خواهید گرفت که چگونه متن مرتب و سایر ابزارهای مرتب در R می توانند تجزیه و تحلیل متن را آسان تر و مؤثرتر کنند.
نویسندگان نشان می دهند که چگونه با متن به عنوان قاب داده ها می توانید ویژگی های متن را دستکاری، خلاصه و تجسم کنید. همچنین یاد خواهید گرفت که چگونه پردازش زبان طبیعی (NLP) را در جریان کار موثر ادغام کنید. نمونههای کد عملی و کاوشهای داده به شما کمک میکند بینش واقعی از ادبیات، اخبار و رسانههای اجتماعی ایجاد کنید.
Much of the data available today is unstructured and text-heavy, making it challenging for analysts to apply their usual data wrangling and visualization tools. With this practical book, you’ll explore text-mining techniques with tidytext, a package that authors Julia Silge and David Robinson developed using the tidy principles behind R packages like ggraph and dplyr. You’ll learn how tidytext and other tidy tools in R can make text analysis easier and more effective.
The authors demonstrate how treating text as data frames enables you to manipulate, summarize, and visualize characteristics of text. You’ll also learn how to integrate natural language processing (NLP) into effective workflows. Practical code examples and data explorations will help you generate real insights from literature, news, and social media.