天天干天天操天天爱-天天干天天操天天操-天天干天天操天天插-天天干天天操天天干-天天干天天操天天摸

課程大綱：

在線民宿 UGC 數(shù)據(jù)挖掘培訓(xùn)

1 Pandas 數(shù)據(jù)聚合

2 TensorFlow 模型搭建

3 NLP 文本處理

4 Word2Vec 詞向量訓(xùn)練

5 Gensim 下的 LDA 主題自動(dòng)聚類

6 Stacking 集成情感分析

7 深度 GRU 情感分析

8 Flask API 搭建情感分析接口

9 百度 LBS 地理位置信息采集

10 Scikit-learn 模型搭建

11 Pyecharts 可視化

12 KMeans 下的詞向量自動(dòng)聚類

13 LDAvis 主題可視化

14 深度 CNN 情感分析

15 低代碼下的 LitNlp 深度情感分析

16 Python 使用 POST 和 GET 進(jìn)行接口請(qǐng)求

1
快速實(shí)現(xiàn)民宿整體的意見(jiàn)挖掘

1.Pandas數(shù)據(jù)聚合

2.數(shù)據(jù)EDA

3.貝葉斯情感分析建模

4.模型評(píng)測(cè)

5.情感極性可視化

2
利用 pyecharts 進(jìn)行可視化分析

1.數(shù)據(jù)清洗

2.數(shù)據(jù)特征處理

3.數(shù)據(jù)聚合

4.pyecharts可視化

3
民宿地理位置可視化分析

1.Requests接口請(qǐng)求

2.基于百度LBS接口解析地理位置信息

3.地理數(shù)據(jù)聚合

4.pyecharts地理信息可視化

4
基于字典的評(píng)論主題挖掘

1.詞性標(biāo)注

2.主題句切分

3.TFIDF關(guān)鍵詞挖掘

4.主題分布可視化

5
基于詞向量的主題聚類挖掘

1.名詞抽取

2.Word2Vec詞向量訓(xùn)練

3.佳聚類個(gè)數(shù)選取

4.KMeans主題聚類

6
基于 LDA 模型的評(píng)論主題挖掘

1.評(píng)價(jià)數(shù)據(jù)清洗

2.LDA主題建模

3.佳主題數(shù)選取

4.LDAvis主題分布可視化

7
文本自動(dòng)化標(biāo)注和數(shù)據(jù)采樣

1.特征工程

2.數(shù)據(jù)自動(dòng)化標(biāo)注

3.數(shù)據(jù)采樣

4.采樣結(jié)果評(píng)測(cè)

8
集成模型在情感分析中的應(yīng)用

1.特征工程

2.情感建模

3.Stacking集成建模

4.主題情感可視化

9
深度模型在情感分析中的應(yīng)用

1.數(shù)據(jù)預(yù)處理

2.詞級(jí)和字符級(jí)的文本分詞

3.深度情感分類模型

4.深度學(xué)習(xí)模型測(cè)試

10
部署深度情感推理模型

1.litNlp使用

2.FlaskAPI開(kāi)發(fā)

3.模型部署

4.情感極性批量預(yù)測(cè)

基于 Pandas 和 pyecharts 的數(shù)據(jù)聚合和可視化分析。

主題建模實(shí)戰(zhàn)，包括：詞頻排序模型下的主題詞云分析、基于 Word2Vec 詞向量下的 KMeans 名詞聚類、LDA 主題建模。

針對(duì)數(shù)據(jù)集標(biāo)簽失衡問(wèn)題，實(shí)驗(yàn)分析了不用數(shù)據(jù)采樣方式對(duì)情感分析模型性能的影響。

介紹了基于 Stacking 的集成模型和深度情感分析模型在用戶評(píng)論情感建模上的性能差異，

然后針對(duì)深度模型分別使用字符級(jí)和詞語(yǔ)級(jí)進(jìn)行建模來(lái)比較差異，深度模型具體有 TextCNN 和 GRU。

主要實(shí)現(xiàn)模型的部署，使用 Flask 框架對(duì) litNlp 深度情感分析模型進(jìn)行 RESTful API 部署，實(shí)現(xiàn)情感極性預(yù)測(cè)通過(guò)網(wǎng)絡(luò)接口進(jìn)行服務(wù)。