Cursus tekstmining en tekstanalyse met R (3 dagen)

Doel

Geschreven tekst zoals e-mails, jaarverslagen en content van websites bevatten een schat aan informatie die in hun originele vorm lastig te benutten zijn. De cursus textmining en textanalyse met R geeft een inleiding in technieken waarmee deze informatiebronnen kunnen worden ontsloten, geanalyseerd, en gebruikt.

Inhoud

Tridata hecht er aan om cursisten tijdens de cursussen hands-on ervaring op te laten doen. Dus op basis van gedegen theorie meteen toepassen in de praktijk. Elke dag bestaat daarom voor ongeveer de helft uit oefeningen onder begeleiding van onze ervaren docenten.

Dag 1. Werken met tekst en informatie-extractie

Toepassingen: webmining, tekst opschonen, detectie van fraude (plagiaat), informatie-extractie.
Tekst-extractie: tekst ontsluiten uit pdf, webpagina’s, word documenten
Technische aspecten: encoding standaarden
Informatie-extractie met reguliere expressies (regular expressions)
Approximate (fuzzy) text matching

Dag 2: Tekstanalyse en interpretatie.
Technieken om de vraag te beantwoorden: waar gaan deze teksten over?

Bag-of-words, term-document matrix
Tekst verkennen: beschrijvende statistiek en keywords in context
Tekst visualiseren: word clouds, comparison word clouds
Beschrijvende statistieken
Topic models:
Latent Semantic Analysis (LSA)
Latent Dirichlet Allocation (LDA)

Dag 3: Tekst als predictor
Toepassingen: gebruik van tekstgegevens om eigenschappen en sentiment van de auteurs af te leiden.

Meer over term-document matrix en feature extraction
Word embeddings
Sentimentanalyse / opinion mining
Gebruik van tekst in Statistische en Machine Learning modellen.

Doelgroep

  • Business Intelligence en Data analisten die hun kennis willen uitbreiden met text processing en text mining vaardigheden
  • Teammanagers van BI en Data analisten
  • Jonge academici die een carrière ambiëren als Data Scientist.
  • Specialisten die hun kennis over het analyseren van tekst op peil willen brengen.
  • Vereiste voorkennis
  • Enige bekendheid met basis statistiek wordt verondersteld. Verder verwachten we enige bekendheid met de statistische programmeeromgeving R. Bijvoorbeeld op basis van (de eerste twee dagen van) de Tridata Cursus Statistical Programming with R.

Tools
Tijdens de cursus wordt gewerkt met de meest recente versie van R en RStudio, plus een aantal R-packages voor text-processing en analyse.

Gerelateerde opleidingen

Statistical programming met R
Gevorderd statistical programming met R
Package in één dag: schrijf je eigen R package
Netwerkanalyse met R

Cursusdata (Utrecht)

17, 18 en 19 december 2018
21, 28 maart, 4 april 2019

Kosten en inschrijving:

De kosten van de 3-daagse cursus bedragen € 1975 per deelnemer. De cursusprijs is vrijgesteld van BTW (BTW-tarief 0%) en is inclusief cursusmateriaal, deelnamecertificaat, koffie / thee en lunches.

In-company training

Deze training kan in huis (bij uw organisatie) worden gegeven. In overleg past tridata de cursus  aan de  wensen van de cursisten. Voor meer informatie kunt u contact met ons opnemen.

Plaats

Europalaan 400, 3526 KS Utrecht

De Docenten

Dr. Mark van der Loo studeerde cum laude af in de informatische chemie aan de Katholieke Universiteit Nijmegen (een combinatie van scheikunde, wiskunde, en informatica). Na zijn promotie op een onderwerp uit de quantumfysica is hij werkzaam als statistisch onderzoeker bij het CBS met als specialiteit statistical computing and modeling, data cleaning en text processing. Over deze onderwerpen publiceert hij op conferenties en in peer reviewed journals. Mark is expert op het gebied van R, python,  en (multicore) C programming en heeft verschillende R-packages op CRAN gepubliceerd. Een van die packages wordt onder andere door Wikimedia Foundation gebruikt voor tekstanalyse van Wikipedia paginas. Mark werkt sinds 2012 als consultant en docent voor Tridata.

Drs. Edwin de Jonge Studeerde af in de theoretische natuurkunde aan de Katholieke Universiteit Nijmegen. Na zich enkele jaren the hebben gespecialiseerd in softwareontwikkeling is hij als onderzoeker gaan werken bij het CBS met als specialiteit statistical computing and modeling, data management en data visualisatie. Over dit laatste onderwerp publiceerde Edwin onder andere een paper voor de prestigieuze IEEE VisWeek conferentie. Edwin is expert op het gebied van verschillende programmeertalen waaronder C++, javascript, python en R. In die laatste taal ontwikkelde hij een package wat inmiddels meer dan 120.000 maal per maand wordt gedownload van de CRAN servers. Edwin werkt sinds 2012 als consultant en docent voor Tridata.

Edwin en Mark zijn auteur van het boek 'Learning R Statistical Computing with Rstudio' (Packt publishing, 2012) en werken momenteel, aan een boek over 'Statistical Data Cleaning with Applications in R' (te verschijnen bij Wiley). In 2013 gaven zij een tutorial op de grootste R conferentie ter wereld (useR!2013) getiteld “an introduction to data cleaning with R”.