جلسه ۱۹: آموزش متن کاوی یا Text Mining در نرم افزار داده کاوی رپیدماینر

در این جلسه به آموزش متن کاوی یا Text Mining در نرم افزار داده کاوی رپیدماینر می پردازیم. متن کاوی یا تکست ماینینگ یکی از مهمترین و پرکاربردترین زیر شاخه های علوم کامپیوتر و داده کاوی می باشد. الگوریتم ها و تکنیک های معرفی شده در متن کاوی این امکان را به شما می دهند تا بتوانید در متون حجیم لاتین، فارسی و غیره کاوش نمایید و مجموعه ای از دانش ها را استخراج کنید. همچنین متن کاوی این امکان را برای شما فراهم می سازد تا بتوانید متون خبری، کامنت های کاربران، نظرات، لایک ها و غیره را طبقه بندی نموده و احساسات کاربران را مورد ارزیابی قرار دهید. از این رو در این جلسه آموزشی با استفاده از الگوریتم های معروف داده کاوی و متن کاوی مثل درخت تصمیم، شبکه عصبی، ماشین بردار پشتیبان، شبکه عصبی عمیق و غیره اقدام به طبقه بندی متن ها خبری نموده ایم.

بطور کلی در این جلسه آموزشی مراحل اجرای روش پیشنهادی به شرح ذیل می باشد:

• یک سری دیتاست های خبری در زمینه فوتبال، تنیس، والیبال و غیره به نرم افزار داده کاوی رپیدماینر وارد می شوند.
• تفکیک نمودن کلمات از متن
• سپس داده های خبری مورد پردازش قرار گرفته و کلمات توقف یا Stop Word ها از متون وارد شده حذف گردد.
• از متون وارد شده مجموعه ای وکتور یا بردار ها استخراج می گردد.
• اعمال الگوریتم های متن کاوی جهت طبقه بندی متون
• ارزیابی نتایج

سرفصل ها و رئوس مطالب بحث شده در این جلسه از دوره های آموزشی رپیدماینر عبارتند از:

• معرفی مختصر دیتاست خبری
• معرفی کنترل Process Documents from Files
• معرفی کنترل Tokenize جهت جداسازی کلمات از متن
• معرفی کنترل Filter Stop words جهت تفکیک کلمات توقف
• معرفی الگوریتم طبقه بندی نایوبیز جهت متن کاوی
• معرفی الگوریتم طبقه بندی درخت تصمیم جهت متن کاوی
• و غیره

بنابراین با کمک ابزار ها و کنترل های معرفی شده فرآیند متن کاوی با استفاده از رپیدماینر آموزش داده شده است.