Text-mining i analiza źródeł internetowych w języku Python

Informacje ogólne

Kod przedmiotu:	2400-ZEWW853
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 i analiza źródeł internetowych w języku Python
Jednostka:	Wydział Nauk Ekonomicznych
Grupy:
Punkty ECTS i inne:	(brak) 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. zobacz reguły punktacji
Język prowadzenia:	polski
Rodzaj przedmiotu:	nieobowiązkowe
Założenia (opisowo):	Uczestnictwo w zajęciach “Wprowadzenie do programowania w języku Python” lub w innym kursie z zbliżonym programem
Skrócony opis:	W ramach zajęć studentki i studenci poznają metody służące pozyskaniu danych ze źródeł internetowych, w tym z mediów społecznościowych (np. Reddit,Mastodon), oraz metody przetwarzania danych tekstowych (metody przetwarzania języka naturalnego oraz text-miningu). Nabyte umiejętności umożliwią im samodzielną pracę z wykorzystaniem metod data science na studiach licencjackich/magisterskich
Pełny opis:	Zbieranie danych z platform społecznościowych z wykorzystaniem BigQuery • Zbieranie danych z Reddit oraz Mastodon z wykorzystaniem API • Zbieranie wiadomości z portali internetowych • Przegląd metod Natural Language Processing • Wyrażenia regularne (regular expressions) • Tokenizacja słów, stemming, n-gramy, lematyzacja, tagowanie części mowy • Analiza sentymentu • Analiza semantyczna, modelowanie tematyczne (LSA, LDA, PCA) • Wykorzystanie sieci neuronowych w text- miningu • Wektory słów: Word2Vec • Klastrowanie tekstów z wykorzystaniem algorytmu t-SNE • Konsultacje wyboru tematu i metodologii do case study • Prezentacja case study wykorzystującego wybraną technikę poznaną w trakcie kursu (2 zajęcia)
Literatura:	Hobson Lane Cole Howard, Hannes Max Hapke (2021), Przetwarzanie języka naturalnego w akcji. Rozumienie, analiza i generowanie tekstu w Pythonie na przykładzie języka angielskiego, Wydawnictwo Naukowe PWN
Efekty uczenia się:	WIEDZA • Student zna popularne zastosowania języka Python w różnych obszarach badawczych • Student zna podstawowe biblioteki służące do analizy tekstu w języku Python • Student zna popularne metody analizy tekstu stosowane przy użyciu języka Python • Student zna możliwości oraz ograniczenia wynikające z pracy z danymi sieciowymi UMIEJĘTNOŚCI - Student potrafi stworzyć i zarządzać bazą danych w języku Python - Student umie przeanalizować duży zbiór tekstowy przy użyciu technik text miningowych - Student umie sprawnie wizualizować dane z wykorzystaniem dobrych praktyk prezentacji KOMPETENCJE SPOŁECZNE - Student jest zaznajomiony z zasadami etycznego oraz legalnego przetwarzania danych
Metody i kryteria oceniania:	Prezentacja końcowa

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.