Python数据分析系列视频课程–玩转文本挖掘【已完结】

文本挖掘（TM），又称自然语言处理（NLP），是AI时代炙手可热的数据分析挖掘前沿领域，其所涉及的人机对话系统，推荐算法，文本分类等技术在BAT等企业中都得到广泛应用。

本课程将使用经典武侠小说、大众点评抓取结果、微博语料数据等多个实际案例进行教学。

本次课程将会从最基础的分词、词袋模型、分布式表示等概念开始，全面介绍文本挖掘技术的各个方面，特别会针对目前最热的word2vec，gensim 等结合实际案例进行学习，帮助学员从零基础直接升级至业界的**技术前沿。

学习完本课程后，学员将能够独立使用Python环境完成中文文本挖掘的各种工作。

本课程已全部更新完毕，未来将根据方法学的**进展做不定期更新。

【课程长度】

总时长：约11小时

【学员基础】

学员需要懂得Python语言的基本编程知识。

建议学员事先学习本系列课程中的Pandas课程，本课程中的数据管理将会用到Pandas的相关知识和操作。

【课程大纲】

第1章：文本挖掘概述

第2章：磨刀不误砍柴工

第3章：分词

第4章：词云展示

第5章：文档信息的向量化

第6章：关键词提取

第7章：抽取文本主题

第8章：文本相似度

第9章：文档分类

第10章：情感分析

第10章：自动摘要

第11章：自动写作

Python数据分析系列视频课程–玩转文本挖掘
1-1 什么是文本挖掘.mp4
1-2 文本挖掘的基本流程和任务.mp4
1-3 文本挖掘的基本思路.mp4
1-4 语料数据化时需要考虑的工作.mp4
2-1 Python常用IDE简介.mp4
2-2 Anaconda的安装与配置.mp4
2-3 Jupyter Notebook的基本操作.mp4
2-4 NLTK的安装与配置.mp4
2-5 什么是语料库.mp4
2-6 准备《射雕》语料库.mp4
3-1 分词原理简介.mp4
3-2 结巴分词的基本用法.mp4
3-3 使用自定义词典和搜狗细胞词库.mp4
3-4 去除停用词.mp4
3-5 词性标注及其他.mp4
4-1 词频统计.mp4
4-2 词云概述.mp4
4-3 wordcloud包的安装.mp4
4-4 绘制词云.mp4
4-5 设置词云背景模板.mp4
4-6 修改词云颜色.mp4
5-1 词袋模型.mp4
5-2 词袋模型的gensim实现.mp4
5-3 用Pandas生成文档词条矩阵.mp4
5-4 用sklearns生成文档-词条矩阵.mp4
5-5 从词袋模型到N-gram模型.mp4
5-6 文本信息的分布式表示.mp4
5-7 共现矩阵.mp4
5-8 NNLM模型的突破.mp4
5-9 word2vec一出，满座皆惊.mp4
6-1 关键词提取的基本思路.mp4
6-2 TF-IDF 算法.mp4
6-3 TF-IDF算法的jieba实现.mp4
6-4 TF-IDF算法的sklearn实现.mp4
6-5 TF-IDF算法的gensim实现.mp4
6-6 TextRank算法.mp4
7-1 主题模型概述.mp4
7-2 主题模型的sklearn实现.mp4
7-3 主题模型的gensim实现.mp4
8-1 基本概念.mp4
8-2 词条相似度：word2vec训练.mp4
8-3 词条相似度：word2vec应用.mp4
8-4 文档相似度的词袋模型实现.mp4
8-5 doc2vec.mp4
8-6 文档聚类.mp4
9-1 文本分类概述.mp4
9-2 朴素贝叶斯算法.mp4
9-3 算法的sklearn实现.mp4
9-4 算法的NLTK实现.mp4
10-1 情感分析概述.mp4
10-2 情感分析的词袋模型实现.mp4
10-3 情感分析的分布式表达实现.mp4
11-1 自动摘要的基本原理.mp4
11-2 自动摘要的效果评价.mp4
11-3 自动摘要的python实现.mp4
12-1 RNN的基本原理.mp4
12-2 LSTM的基本原理.mp4
12-3 Keras+TensorFlow组合的优势.mp4
12-4 Keras+TensorFlow组合的安装.mp4
12-5 案例1：数据准备.mp4
12-6 案例1：模型拟合.mp4
12-7 案例2：数据准备.mp4
12-8 案例2：模型拟合.mp4
Python数据分析系列视频课程–玩转文本挖掘.zip