Używamy cookies, aby ułatwić korzystanie z Portalu. Możesz określić warunki przechowywania, dostępu do plików cookies w Twojej przeglądarce. Dowiedz się więcej.
strona główna Strona główna | Nowości | Promocje | Zapowiedzi Twoje konto | Zarejestruj | Schowek | Kontakt | Pomoc
mapa działów
Szukaj: szukanie zaawansowane
Koszyk
Książki \ Programowanie

Data Mining. Eksploracja danych w sieciach społecznościowych. Wydanie III Język: 1

978-83-283-5554-5

Cena Brutto: 69.00

Cena netto: 65.71

Ilość:
Wersja: Drukowana
Autor Matthew A. Russell, Mikhail Klassen
Liczba_stron 376
Wydawnictwo Helion
Oprawa miękka
Data_Wydania 2019-10-15

Data Mining. Eksploracja danych w sieciach społecznościowych. Wydanie III


Internetu nie można rozważać wyłącznie jako tworu techniki. Powstanie tej sieci doprowadziło do rozwoju różnych zjawisk społecznych. Z tej perspektywy na szczególną uwagę zasługują media społecznościowe. Są źródłem informacji, które, właściwie spożytkowane, mogą przynieść niezły dochód. Mogą też dać odpowiedzi na wiele pytań zadawanych przez naukowców z różnych branż. Sama eksploracja tych danych przynosi sporo satysfakcji i radości. Zaskakujące przy tym jest to, że przygotowanie zestawu potrzebnych narzędzi i nauka posługiwania się nimi zabiera naprawdę niewiele czasu i nie wymaga specjalnych talentów!


To trzecie, zaktualizowane wydanie popularnego podręcznika dla osób, które chcą zająć się wydobywaniem danych z sieci społecznościowych. Uwzględniono tu zmiany interfejsów API wprowadzone do poszczególnych platform i dodano rozdział o eksploracji Instagrama. Dowiesz się, jak dzięki danym z mediów społecznościowych określić sieć powiązań użytkowników, zorientować się, kto o czym mówi i gdzie się znajduje. Treść bogato zilustrowano przykładami kodu w Pythonie, a także plikami Jupyter Notebook lub kontenerów Dockera. Ciekawym elementem książki jest zbiór receptur dotyczących rozwiązywania konkretnych problemów z Twitterem.


W tej książce między innymi:

  • wprowadzenie do świata mediów społecznościowych
  • przybliżenie bogactwa danych zawartych w mediach społecznościowych
  • eksploracja danych za pomocą narzędzi Pythona 3
  • zaawansowane techniki eksploracji danych, w tym współczynniki TFIDF, podobieństwo kosinusów i rozpoznawanie obrazów
  • tworzenie wizualizacji pozyskanych danych


Przedmowa 11

CZĘŚĆ I. PRZEWODNIK PO SIECIACH SPOŁECZNOŚCIOWYCH

Wstęp 25

1. Eksploracja Twittera: odkrywanie trendów, dowiadywanie się, o czym się rozmawia, i trochę więcej 27

  • 1.1. Przegląd 27
  • 1.2. Dlaczego Twitter to jest to? 28
  • 1.3. Odkrywanie API Twittera 30
    • 1.3.1. Podstawowa terminologia związana z Twitterem 30
    • 1.3.2. Tworzenie połączenia z API Twittera 33
    • 1.3.3. Odkrywanie trendów 36
    • 1.3.4. Wyszukiwanie tweetów 40
  • 1.4. Analiza 140 (lub więcej) znaków 46
    • 1.4.1. Wyodrębnianie podmiotów z tweetów 47
    • 1.4.2. Analizowanie tweetów i występujących w nich podmiotów z wykorzystaniem analizy częstości 49
    • 1.4.3. Obliczanie różnorodności leksykalnej tweetów 51
    • 1.4.4. Badanie wzorców w retweetach 53
    • 1.4.5. Wizualizacja danych częstości za pomocą histogramów 55
  • 1.5. Uwagi końcowe 59
  • 1.6. Zalecane ćwiczenia 60
  • 1.7. Zasoby online 61

2. Eksploracja Facebooka: analizowanie fanpagey, znajomości i więcej 63

  • 2.1. Przegląd 64
  • 2.2. Interfejs API Graph Facebooka 64
    • 2.2.1. Wprowadzenie do API Graph 66
    • 2.2.2. Protokół Open Graph 70
  • 2.3. Analiza połączeń grafu społecznościowego 75
    • 2.3.1. Analizowanie stron Facebooka 78
    • 2.3.2. Manipulowanie danymi z wykorzystaniem pakietu pandas 88
  • 2.4. Uwagi końcowe 95
  • 2.5. Zalecane ćwiczenia 96
  • 2.6. Zasoby online 96

3. Eksploracja Instagrama: komputerowy wzrok, sieci neuronowe, rozpoznawanie obiektów i wykrywanie twarzy 99

  • 3.1. Przegląd 100
  • 3.2. Poznawanie API Instagrama 101
    • 3.2.1. Tworzenie żądań do API Instagrama 101
    • 3.2.2. Odczytywanie własnego kanału na Instagramie 103
    • 3.2.3. Pobieranie medium według hashtagu 105
  • 3.3. Anatomia posta na Instagramie 105
  • 3.4. Szybki kurs na temat sztucznych sieci neuronowych 108
    • 3.4.1. Trening sieci neuronowej pod kątem "oglądania" zdjęć 109
    • 3.4.2. Rozpoznawanie cyfr pisanych odręcznie 111
    • 3.4.3. Rozpoznawanie obiektów na zdjęciach przy użyciu wstępnie przeszkolonych sieci neuronowych 116
  • 3.5. Wykorzystanie sieci neuronowych do postów na Instagramie 119
    • 3.5.1. Oznaczanie zawartości obrazu 119
    • 3.5.2. Wykrywanie twarzy na zdjęciach 121
  • 3.6. Uwagi końcowe 122
  • 3.7. Zalecane ćwiczenia 123
  • 3.8. Zasoby online 124

4. Eksploracja sieci LinkedIn: stanowiska, współpracownicy i nie tylko 127

  • 4.1. Przegląd 128
  • 4.2. Poznawanie API LinkedIna 128
    • 4.2.1. Tworzenie żądań do API LinkedIn 129
    • 4.2.2. Pobieranie połączeń LinkedIn w pliku CSV 132
  • 4.3. Krótki kurs grupowania danych 132
    • 4.3.1. Normalizacja danych w celu umożliwienia analizy 135
    • 4.3.2. Mierzenie podobieństwa 145
    • 4.3.3. Algorytmy klasteryzacji 147
  • 4.4. Uwagi końcowe 161
  • 4.5. Zalecane ćwiczenia 161
  • 4.6. Zasoby online 162

5. Eksploracja danych z plików tekstowych: obliczanie podobieństwa dokumentów, wyodrębnianie kolokacji i inne 163

  • 5.1. Przegląd 164
  • 5.2. Pliki tekstowe 164
  • 5.3. Wprowadzenie do TF-IDF 166
    • 5.3.1. Częstość terminu 166
    • 5.3.2. Odwrotna częstość dokumentu 168
    • 5.3.3. TF-IDF 169
  • 5.4. Odpytywanie danych w języku naturalnym za pomocą TF-IDF 172
    • 5.4.1. Natural Language Toolkit - wprowadzenie 172
    • 5.4.2. Zastosowanie współczynnika TF-IDF do języka naturalnego 176
    • 5.4.3. Wyszukiwanie podobnych dokumentów 177
    • 5.4.4. Analiza bigramów w języku naturalnym 184
    • 5.4.5. Refleksje na temat analizy danych języka naturalnego 193
  • 5.5. Uwagi końcowe 194
  • 5.6. Zalecane ćwiczenia 195
  • 5.7. Zasoby online 195

6. Eksploracja stron internetowych: przetwarzanie języka naturalnego w celu zrozumienia języka ludzkiego, tworzenie podsumowań postów na blogu i inne 197

  • 6.1. Przegląd 198
  • 6.2. Scraping, parsowanie i crawling stron internetowych 199
    • 6.2.1. Przeszukiwanie wszerz w crawlingu stron internetowych 202
  • 6.3. Odkrywanie semantyki przez dekodowanie składni 205
    • 6.3.1. Przetwarzanie języka naturalnego krok po kroku 207
    • 6.3.2. Wykrywanie zdań w danych w języku naturalnym 210
    • 6.3.3. Tworzenie streszczeń dokumentów 214
  • 6.4. Zmiana paradygmatu. Analiza obiektów 222
    • 6.4.1. Podsumowania danych w języku naturalnym 226
  • 6.5. Jakość analiz do przetwarzania danych w języku naturalnym 230
  • 6.6. Uwagi końcowe 234
  • 6.7. Zalecane ćwiczenia 234
  • 6.8. Zasoby online 235

7. Eksploracja skrzynek pocztowych: analiza, kto rozmawia z kim, o czym, jak często i nie tylko 237

  • 7.1. Przegląd 238
  • 7.2. Uzyskiwanie i przetwarzanie korpusu danych pocztowych 239
    • 7.2.1. Uniksowe skrzynki pocztowe 239
    • 7.2.2. Pobieranie danych Enron 243
    • 7.2.3. Konwersja korpusu poczty na uniksowy format mbox 245
    • 7.2.4. Konwertowanie uniksowych skrzynek pocztowych na obiekty DataFrame biblioteki pandas 247
  • 7.3. Analiza korpusu Enron 249
    • 7.3.1. Zapytania według zakresu dat (godzin) 250
    • 7.3.2. Analiza wzorców w komunikacji nadawca-odbiorca 253
    • 7.3.3. Wyszukiwanie wiadomości e-mail według słów kluczowych 257
  • 7.4. Analiza własnych danych pocztowych 258
    • 7.4.1. Dostęp do Twojej skrzynki Gmail za pomocą OAuth 260
    • 7.4.2. Pobieranie i parsowanie wiadomości e-mail 262
    • 7.4.3. Wizualizacja wzorców w e-mailu za pomocą frameworka Immersion 264
  • 7.5. Uwagi końcowe 265
  • 7.6. Zalecane ćwiczenia 265
  • 7.7. Zasoby online 266

8. Eksploracja serwisu GitHub: badanie nawyków podczas współtworzenia oprogramowania, tworzenie grafów zainteresowań i nie tylko 269

  • 8.1. Przegląd 270
  • 8.2. Odkrywanie API GitHuba 270
    • 8.2.1. Tworzenie połączenia do API serwisu GitHub 272
    • 8.2.2. Tworzenie żądań do API GitHuba 275
  • 8.3. Modelowanie danych za pomocą grafów właściwości 277
  • 8.4. Analiza grafów zainteresowań serwisu GitHub 280
    • 8.4.1. "Wysiewanie" grafu zainteresowań 281
    • 8.4.2. Obliczanie miar centralności grafu 284
    • 8.4.3. Rozszerzanie grafu zainteresowań z wykorzystaniem krawędzi "śledzi" dla użytkowników 287
    • 8.4.4. Używanie węzłów jako punktów przestawnych w celu tworzenia bardziej wydajnych zapytań 296
    • 8.4.5. Wizualizacja grafów zainteresowań 301
  • 8.5. Uwagi końcowe 303
  • 8.6. Zalecane ćwiczenia 304
  • 8.7. Zasoby online 305

CZĘŚĆ II. TWITTER. RECEPTURY

9. Twitter. Receptury 309

  • 9.1. Dostęp do interfejsu API Twittera dla celów programistycznych 310
  • 9.2. Wykorzystanie OAuth w celu uzyskania dostępu do interfejsu API Twittera dla aplikacji produkcyjnych 311
  • 9.3. Odkrywanie trendów 315
  • 9.4. Wyszukiwanie tweetów 316
  • 9.5. Konstruowanie wygodnych wywołań funkcji 318
  • 9.6 Zapisywanie i przywracanie danych JSON z wykorzystaniem plików tekstowych 319
  • 9.7. Zapisywanie danych JSON i uzyskiwanie dostępu do nich za pomocą MongoDB 320
  • 9.8. Pobieranie próbek z mechanizmu firehose Twittera za pomocą API Streaming 323
  • 9.9. Pobieranie danych szeregów czasowych 324
  • 9.10. Wyodrębnianie podmiotów z tweetów 326
  • 9.11. Znajdowanie najpopularniejszych tweetów w kolekcji 327
  • 9.12. Znajdowanie najpopularniejszych obiektów w kolekcji tweetów 329
  • 9.13. Tabularyzacja analizy częstości 330
  • 9.14. Znajdowanie użytkowników, którzy retweetowali status 331
  • 9.15. Wyodrębnianie przypisania retweeta 333
  • 9.16. Wykonywanie odpornych na błędy żądań do Twittera 334
  • 9.17. Pobieranie informacji o profilu użytkownika 337
  • 9.18. Wyodrębnianie podmiotów tweeta z dowolnego tekstu 338
  • 9.19. Pobieranie wszystkich znajomych lub obserwatorów użytkownika 339
  • 9.20. Analiza znajomych i obserwatorów użytkownika 341
  • 9.21. Zbieranie tweetów użytkownika 342
  • 9.22. Crawling grafu znajomości 344
  • 9.23. Analiza treści tweetów 346
  • 9.24. Tworzenie streszczeń celów łączy 347
  • 9.25. Analizowanie ulubionych tweetów użytkownika 350
  • 9.26. Uwagi końcowe 352
  • 9.27. Zalecane ćwiczenia 352
  • 9.28. Zasoby online 353

CZĘŚĆ III. ZAŁĄCZNIKI

A. Informacje o maszynie wirtualnej przeznaczonej dla tej książki 357

B. Elementarz OAuth 359

C. Porady i wskazówki na temat Pythona i środowiska Jupyter Notebook 363

Skorowidz 365

powrót
 
Produkty Podobne
Programowanie w języku Rust. Wydajność i bezpieczeństwo
Tworzenie gier komputerowych. Kompendium producenta
Laravel. Wstęp do programowania aplikacji internetowych
Poradnik design thinking, czyli jak wykorzystać myślenie projektowe w biznesie
Data Mining. Eksploracja danych w sieciach społecznościowych. Wydanie III
Programowanie w języku Kotlin. The Big Nerd Ranch Guide
Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II
UXUI. Design Zoptymalizowany. Manual Book
UXUI. Design Zoptymalizowany. Workshop Book
Vue.js 2. Wprowadzenie dla profesjonalistów
Więcej produktów