Python数据分析系列视频课程-学习文本挖掘

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,本次课程将会从基本的分词、词袋模型、分布式表示等概念开始，多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，帮助学员直接升级至业界技术前沿。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。

资源目录:

第1章文本挖掘概述(31分钟6节)

1-1什么是文本挖掘[08:57]
1-2文本挖掘的基本流程和任务[08:19]
1-3文本挖掘的基本思路[06:52]
1-4语料数据化时需要考虑的工作[06:49]
1-5本课程代码课件及数据下载
1-6本课程案例数据及文档下载[00:10]
第2章磨刀不误砍柴工(1小时14分钟6节)

2-1Python常用IDE简介[11:21]
2-2Anaconda的安装与配置[16:23]
2-3Jupyter Notebook的基本操作[11:58]
2-4NLTK的安装与配置[06:06]
2-5什么是语料库[13:43]
2-6准备《射雕》语料库[14:46]
第3章分词(44分钟5节)

3-1分词原理简介[08:02]
3-2结巴分词的基本用法[09:08]
3-3使用自定义词典和搜狗细胞词库[09:55]
3-4去除停用词[11:07]
3-5词性标注及其他[06:30]
第4章词云展示(55分钟6节)

4-1词频统计[08:25]
4-2词云概述[05:03]
4-3wordcloud包的安装[08:10]
4-4绘制词云[13:13]
4-5设置词云背景模板[09:35]
4-6修改词云颜色[10:35]
第5章 文本信息的向量化 (1小时24分钟 9节)

5-1词袋模型[07:33]
5-2词袋模型的gensim实现[10:55]
5-3用Pandas生成文档词条矩阵[11:16]
5-4用sklearns生成文档-词条矩阵[11:41]
5-5从词袋模型到N-gram模型[06:50]
5-6文本信息的分布式表示[09:51]
5-7共现矩阵[05:56]
5-8NNLM模型的突破[05:19]
5-9word2vec一出，满座皆惊[15:17]
第6章 关键词提取 (43分钟 6节)

6-1关键词提取的基本思路[06:43]
6-2TF-IDF 算法[05:53]
6-3TF-IDF算法的jieba实现[11:09]
6-4TF-IDF算法的sklearn实现[05:39]
6-5TF-IDF算法的gensim实现[05:35]
6-6TextRank算法[08:16]
第7章 抽取文档主题 (59分钟 4节)

7-1主题模型概述[13:02]
7-2主题模型的sklearn实现[12:18]
7-3主题模型的gensim实现[15:57]
7-4主题模型结果的可视化[17:46]
第8章 文档相似度 (54分钟 6节)

8-1基本概念[07:38]
8-2词条相似度：word2vec训练[10:06]
8-3词条相似度：word2vec应用[09:24]
8-4文档相似度的词袋模型实现[07:52]
8-5doc2vec[09:55]
8-6文档聚类[09:05]
第9章 文本分类 (35分钟 4节)

9-1文本分类概述[11:07]
9-2朴素贝叶斯算法[07:11]
9-3算法的sklearn实现[10:27]
9-4算法的NLTK实现[06:44]
第10章 情感分析 (35分钟 3节)

10-1情感分析概述[17:56]
10-2情感分析的词袋模型实现[07:29]
10-3情感分析的分布式表达实现[10:13]
第11章 自动摘要 (35分钟 3节)

11-1自动摘要的基本原理[13:10]
11-2自动摘要的效果评价[09:03]
11-3自动摘要的python实现[12:50]
第12章 文本自动写作 (1小时27分钟 8节)

12-1RNN的基本原理[13:55]
12-2LSTM的基本原理[13:16]
12-3Keras+TensorFlow组合的优势[05:32]
12-4安装Keras+TensorFlow组合【2021.[05:46]
12-5案例1：数据准备[13:55]
12-6案例1：模型拟合[11:21]
12-7案例2：数据准备[13:38]
12-8案例2：模型拟合[09:46]
第13章 结课测试 (0 1节)

13-1结课测试