語言分析與資料科學
  • 本書規劃
  • PART I：基礎知識
    • 導論
    • 語言學
      • 語言的實證研究方法
    • 數學與統計
      • 統計
        • 機率與機率分佈
          • 推論統計
        • 迴歸模型
      • 線性代數
    • 自然語言處理
      • 語料庫
    • 機器學習
      • kNN
      • Probabilistic learning using Naive Bayes
      • 決策樹 Decision Trees
      • 支持向量機 Support Vector Machines
      • 迴歸分析 Regression models
      • 神經網路與深度學習 Neural Network and Deep Learning
      • 關聯規則挖掘 Association Rules
      • k-means 分群 Clusterings
      • 社會網路分析
    • 資料科學的 OSEMN 模式
  • PART II： 文本分析：資料處理、表徵與語意計算
    • 文本分析是什麼
      • 程式處理架構
    • 文本前處理
      • 文本收集
      • 文本清理
      • 自動分詞與詞類標記
      • 文本標記
    • 文本數據探索性分析
    • 文本語意與統計
      • 語意表徵
      • 文本訊息視覺化
      • 文本相似與關聯
    • 文本知識抽取
  • PART III：文本分析：模型應用與專案
    • 文本迴歸預測
    • 文本分類
      • 情緒分析
      • 垃圾訊息偵測
    • 文本自動生成
      • 自動摘要
    • 文本聚類
    • 主題模型
    • 立場、意圖與價值
    • 個人文體風格
    • 文本真實性
      • 重複文本偵測
    • 資料科學報告與部署
  • 附錄
    • R 存活指令
    • Python 存活指令
    • Git and Github 入手
    • Linux 存活指令
    • 正則表示法
    • 參考書目
Powered by GitBook
On this page

Was this helpful?

  1. PART I：基礎知識

資料科學的 OSEMN 模式

Previous社會網路分析Next文本分析是什麼

Last updated 5 years ago

Was this helpful?

Mason & Wiggins (2010) 定義了資料科學的五個步驟:

  1. Obtaining data 抓取

  2. Scrubbing data 清理

  3. Exploring data 探索

  4. Modeling data 建模

  5. iNterpreting data 詮解

簡稱 OSEMN model (發音 awesome)。

抓取資料涉及到確認資料的來源，取得的方式。

  • 現成數據

  • 透過 API

  • 網路爬蟲

要考慮到的有

  • 取樣 (sampling) 的方法

  • 資料取得的法律與倫理議題

清理資料是最花時間的部分。

除了在處理結構性資料上的步驟與議題上，在處理文本資料時尚要考慮

🧩