Mineracao de Emocao em Textos com Python e NLTK

Aprenda passo a passo na teoria e na prática como utilizar o Python e o NLTK para minerar emoções em textos!
Mineracao de Emocao em Textos com Python e NLTK
File Size :
2.33 GB
Total length :
5h 33m

Category

Instructor

Jones Granatyr

Language

Last update

Última atualização em 1/2021

Ratings

4.3/5

Mineracao de Emocao em Textos com Python e NLTK

What you’ll learn

Entenda os conceitos teóricos sobre mineração de textos
Aprenda passo a passo na prática como funciona um sistema para encontrar emoção em textos
Desenvolva seus próprios sistemas de aprendizado de máquina para classificar textos
Entenda como funciona o aprendizado de máquina (machine learning) aplicado em bases de dados textuais

Mineracao de Emocao em Textos com Python e NLTK

Requirements

É recomendado conhecimentos básicos sobre lógica de programação
Não são necessários conhecimentos prévios sobre a linguagem Python ou sobre Inteligência Artificial
Se você tiver algum conhecimento sobre Python, conseguirá entender melhor a codificação

Description

A Mineração de Textos é uma das subáreas da Inteligência Artificial que tem como objetivo básico a busca por padrões e conhecimento útil em textos. O exemplo clássico dessa área são os filtros de spam muito utilizados nos sistemas de e-mail, os quais aplicam algoritmos de machine learning para identificar se uma mensagem é ou não é spam! Além disso, essas técnicas também podem ser utilizadas para classificação de notícias, ou seja, caso o sistema receba um conjunto de textos como entrada, os algoritmos podem identificar se são notícias sobre esporte, economia ou política; por exemplo.
Com o grande crescimento das redes sociais existe uma quantidade muito grande de texto disponível na web, os quais podem ser utilizados para identificar as emoções que as pessoas estão apresentando! E isso pode ser muito útil para empresas que desejam saber quão satisfeitos seus clientes estão com seus produtos e/ou serviços. Por exemplo, se uma pessoa compra uma nova televisão é possível medir seu grau de satisfação por meio das emoções transmitidas nos textos que essa pessoa escreve sobre a televisão! Dessa forma, a empresa pode conhecer melhor o perfil de seus clientes e tomar decisões estratégicas quanto ao seu posicionamento no mercado!
Baseado nisso, neste curso você terá uma visão teórica e prática de como funciona o processo de mineração de textos utilizando a técnica de classificação! É abordado um estudo de caso prático que mostra passo a passo como utilizar o algoritmo Naive Bayes para identificar emoções em frases, ou seja, informamos um texto qualquer para o sistema e o mesmo retorna qual emoção foi encontrada! Serão abordados os conceitos sobre classificação de textos, remoção de stops words, aplicação de algoritmos de stemming, teoria sobre o algoritmo Naive Bayes e finalmente a implementação do classificador de emoções. Além disso, também teremos um módulo no qual você aprenderá como avaliar o algoritmo construído e interpretar seus resultados. Com isso, você terá uma visão teórica e prática passo a passo de todas as etapas que envolvem a classificação de textos!
Utilizaremos a linguagem Python e a biblioteca NLTK (Natural Language Toolkit) para o desenvolvimento passo a passo do sistema inteligente, que são ferramentas muito importantes no cenário da Inteligência Artificial! E não há problema se você não conhece Python, pois os conceitos serão apresentados de forma que se você tem uma noção básica de lógica de programação conseguirá acompanhar as aulas tranquilamente. É importante salientar que este curso será melhor aproveitado por iniciantes na área de mineração de textos e que não conhecem os tópicos citados anteriormente, sendo considerado um material inicial para estudos mais avançados.
Preparado(a) para dar um importante passo na sua carreira? Aguardo você no curso! 🙂

Overview

Section 1: Conteúdo do curso

Lecture 1 Conteúdo do curso

Lecture 2 Mais sobre Inteligência Artificial

Section 2: Mineração de textos e classificação

Lecture 3 Introdução ao módulo

Lecture 4 Mineração de textos I

Lecture 5 Mineração de textos II

Lecture 6 Mineração de emoção

Lecture 7 Classificação I

Lecture 8 Classificação II

Lecture 9 Classificação em textos

Section 3: Pré-processamento dos textos

Lecture 10 Introdução ao módulo

Lecture 11 Instalação das ferramentas

Lecture 12 Introdução ao NLTK

Lecture 13 Base de dados de frases

Lecture 14 Remoção de stop words

Lecture 15 Extração do radical das palavras (stemming)

Lecture 16 Listagem de todas as palavras da base

Lecture 17 Extração de palavras únicas

Lecture 18 Extração das palavras de cada frase

Lecture 19 Extração das palavras de todas as frases

Section 4: Detectando emoções em textos com o Naive Bayes

Lecture 20 Introdução ao módulo

Lecture 21 Naive Bayes I

Lecture 22 Naive Bayes II

Lecture 23 Naive Bayes III

Lecture 24 Naive Bayes em textos I

Lecture 25 Naive Bayes em textos II

Lecture 26 Classificando textos com o Naive Bayes I

Lecture 27 Classificando textos com o Naive Bayes II

Section 5: Avaliação do algoritmo

Lecture 28 Introdução ao módulo

Lecture 29 Avaliação de algoritmos I

Lecture 30 Avaliação de algoritmos II

Lecture 31 Base de dados de treinamento e teste

Lecture 32 Base de dados de treinamento

Lecture 33 Medindo a precisão do algoritmo

Lecture 34 Visualização dos erros do algoritmo

Lecture 35 Visualização da matriz de confusão

Lecture 36 Teste com duas classes

Lecture 37 Código fonte

Section 6: Considerações finais

Lecture 38 Considerações finais

Lecture 39 AULA BÔNUS

Pessoas interessadas em Inteligência Artificial e Mineração de Texto,Alunos que querem aprender passo a passo como funciona a área de classificação de textos

Course Information:

Udemy | Português | 5h 33m | 2.33 GB
Created by: Jones Granatyr

You Can See More Courses in the Developer >> Greetings from CourseDown.com

New Courses

Scroll to Top