HomeCoursesДля початківцівText Mining: основи та прикладні задачі 1. Підготовка датасету 1.1. Критерії датасету 1.2. Збір датасету 1.3. Розмітка датасету 2. Кросс-валідація 2.1. Розподіл між тестувальним та тренувальним 2.2. K-fold cross-validation 2.3. Знаходження accuracy 2.4. Знаходження f1, precision, recall 3. Задачі класифікації текстів 3.1. Рекрутинг 3.2. Стилізація 3.3. Авторство 3.4. Fake news 3.5. Рекомендаційні механізми 3.6. Інтелектуальний аналіз 4. Методи векторизації та обробки тексту 4.1. Hashing vectorizer 4.2. Tfidfvectorizer 4.3. Count vectorizer 4.4. Стемінг 5. SVM та MLP для text mining 5.1. MLP (Multilayer Perseptron) 5.2. SVM (Support Vector Machines) 5.3. SVR (Support Vector Regression) 5.4. SVC (C-Support Vector Classification) 6. Візуалізація результатів 6.1. Accuracy charts 6.2. Візуальна валідація 6.3. Аналіз результатів 7. Шляхи до покращення 7.1. Додаткова обробка 7.2. Робота із фічами 7.3. AutoML Text Mining: основи та прикладні задачі Back to Course This content is protected, please login and enroll course to view this content! Prev 3.5. Рекомендаційні механізми Next 4.1. Hashing vectorizer Залишити відповідь Скасувати відповідьВаша e-mail адреса не оприлюднюватиметься. Обов’язкові поля позначені *Коментар Ім'я * Email * Сайт Зберегти моє ім'я, e-mail, та адресу сайту в цьому браузері для моїх подальших коментарів.