Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Text Mining and Social Media Mining

Informacje ogólne

Kod przedmiotu: 2400-DS2TMS
Kod Erasmus / ISCED: 14.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0311) Ekonomia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Text Mining and Social Media Mining
Jednostka: Wydział Nauk Ekonomicznych
Grupy: Anglojęzyczna oferta zajęć WNE UW
Przedmioty kierunkowe do wyboru - studia II stopnia IE - grupa 1 (6*30h)
Przedmioty obowiązkowe dla II roku Data Science and Business Analytics
Punkty ECTS i inne: 4.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: angielski
Rodzaj przedmiotu:

obowiązkowe

Skrócony opis:

Metody text mining oraz eksploracja danych tekstowych stają się kluczową umiejętnością w obliczu ilości napływających danych i informacji tekstowych dotyczących biznesu, badań i Internetu. Text mining koncentruje się głównie na nieustrukturyzowanych danych zaszytych w tekście. Głównym celem text miningu jest wydobycie z przetwarzanego tekstu praktycznej wiedzy. Kurs obejmuje najistotniejsze metody eksploracji tekstu, a także ich zastosowania w badaniu wzorców i trendów w mediach społecznościowych poprzez zaprojektowanie i realizację własnych badań samodzielnie pozyskanych danych. Kurs ukazuje praktyczne użycie narzędzi wspierających różne metody przetwarzania i analizy danych tekstowych. Kurs przeznaczony jest dla studentów studiów drugiego stopnia (Ekonometria i Informatyka, Data Science).

Pełny opis:

Kurs obejmuje:

‒ analiza danych nieustrukturyzowanych - podstawowe pojęcia i metody

‒ przetwarzanie języka naturalnego i text mining

‒ reprezentacja wiedzy i ekstrakcja informacji

‒ kategoryzacja tekstu

‒ klastrowanie tekstu

‒ wizualizacja tekstu

‒ modelowanie tematów

‒ analiza sentymentu

‒ analiza treści stron internetowych

‒ analiza mediów społecznościowych

‒ wzorce i trendy w wykorzystaniu mediów społecznościowych

‒ rozpowszechnianie informacji w sieciach społecznościowych

Praca badawcza studenta w trakcie realizacji zajęć polega także na recenzowaniu przypisanych artykułów naukowych.

Literatura:

Artykuły (z najlepszych czasopism naukowych) oraz książki:

Ch. Aggarwal, Ch.X. Zhai (2012). Mining Text Data. Springer. – fragmenty [http://www.charuaggarwal.net/text-content.pdf]

Ch. Aggarwal (2011). Social Network Data Analytics, Springer – fragmenty [http://www.charuaggarwal.net/socialintro.pdf]

S. Bird, E. Klein, E. Loper (2009). Natural Language Processing with Python. O’Reilly Media. [http://www.nltk.org/book_1ed/]

J. Silge, D. Robinson (2020). Text Mining with R. O’Reilly Media. [https://www.tidytextmining.com/]

R. A. Irizarry (2020). Introduction to Data Science. Data Analysis and Prediction Algorithms with R. CRC Press. [https://rafalab.github.io/dsbook/]

Efekty uczenia się:

‒ Student ma wiedzę na temat text miningu

‒ Student zna metodologię wykorzystywaną w text miningu

‒ Student potrafi wykorzystać wiedzę z text miningu do prowadzenia własnych badań

‒ Student samodzielnie przetwarza i analizuje dane

‒ Student samodzielnie projektuje harmonogram własnego badania naukowego

‒ Student samodzielnie przeprowadza własne badanie naukowe

‒ Student potrafi pracować w grupach i współpracować z innymi

‒ Student potrafi sformułować swój punkt widzenia i wyrazić go

‒ Student wyraża swoją ciekawość badawczą i otwartość na zjawiska ekonomiczne

Metody i kryteria oceniania:

Projekty zaliczeniowe wykonywane w grupach.

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-01-28
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: Karolina Kuligowska, Jacek Lewkowicz
Prowadzący grup: Karolina Kuligowska, Jacek Lewkowicz
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.3.0-2b06adb1e (2024-03-27)