Skip to content

Commit 80ceb2a

Browse files
minwook-shinminwook-shin
committedAug 7, 2021
ADD : translate 6-5
1 parent 56d615d commit 80ceb2a

File tree

1 file changed

+376
-0
lines changed

1 file changed

+376
-0
lines changed
 

‎6-NLP/5-Hotel-Reviews-2/translations/README.ko.md

+376
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,376 @@
1+
# 호텔 리뷰로 감정 분석하기
2+
3+
지금까지 자세히 데이터셋을 살펴보았으며, 열을 필터링하고 데이터셋으로 NLP 기술을 사용하여 호텔에 대한 새로운 시각을 얻게 될 시간입니다.
4+
5+
## [강의 전 퀴즈](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/39/)
6+
7+
### 필터링 & 감정 분석 작업
8+
9+
알고 있는 것처럼, 데이터셋에 약간의 이슈가 있었습니다. 일부 열은 필요없는 정보로 채워져있으며, 부정확해 보입니다. 만약 맞는 경우, 어떻게 계산되었는지 불투명하고, 답을 스스로 계산해서 독립적으로 확인할 수 없습니다.
10+
11+
## 연습: 조금 더 데이터 처리하기
12+
13+
조금 더 데이터를 정리합니다. 열을 추가하는 것은 나중에 유용하며, 다른 열에서 값을 변경하고, 특정한 열을 완전히 드랍하게 됩니다.
14+
15+
1. 초기 column 처리합니다
16+
17+
1. `lat` 과 `lng`를 드랍합니다
18+
19+
2. `Hotel_Address` 값을 다음 값으로 치환합니다 (만약 주소에 도시와 국가가 같다면, 도시와 국가만 변경합니다).
20+
21+
데이터셋에서 도시와 국가만 있습니다:
22+
23+
Amsterdam, Netherlands
24+
25+
Barcelona, Spain
26+
27+
London, United Kingdom
28+
29+
Milan, Italy
30+
31+
Paris, France
32+
33+
Vienna, Austria
34+
35+
```python
36+
def replace_address(row):
37+
if "Netherlands" in row["Hotel_Address"]:
38+
return "Amsterdam, Netherlands"
39+
elif "Barcelona" in row["Hotel_Address"]:
40+
return "Barcelona, Spain"
41+
elif "United Kingdom" in row["Hotel_Address"]:
42+
return "London, United Kingdom"
43+
elif "Milan" in row["Hotel_Address"]:
44+
return "Milan, Italy"
45+
elif "France" in row["Hotel_Address"]:
46+
return "Paris, France"
47+
elif "Vienna" in row["Hotel_Address"]:
48+
return "Vienna, Austria"
49+
50+
# Replace all the addresses with a shortened, more useful form
51+
df["Hotel_Address"] = df.apply(replace_address, axis = 1)
52+
# The sum of the value_counts() should add up to the total number of reviews
53+
print(df["Hotel_Address"].value_counts())
54+
```
55+
56+
지금부터 국가 레벨 데이터로 쿼리할 수 있습니다:
57+
58+
```python
59+
display(df.groupby("Hotel_Address").agg({"Hotel_Name": "nunique"}))
60+
```
61+
62+
| Hotel_Address | Hotel_Name |
63+
| :--------------------- | :--------: |
64+
| Amsterdam, Netherlands | 105 |
65+
| Barcelona, Spain | 211 |
66+
| London, United Kingdom | 400 |
67+
| Milan, Italy | 162 |
68+
| Paris, France | 458 |
69+
| Vienna, Austria | 158 |
70+
71+
2. 호텔 Meta-review 열을 처리합니다
72+
73+
1. `Additional_Number_of_Scoring`을 드랍합니다
74+
75+
1. `Total_Number_of_Reviews`를 데이터셋에 실제로 있는 총 호텔 리뷰로 치환합니다
76+
77+
1. `Average_Score`를 계산해둔 점수로 치환합니다
78+
79+
```python
80+
# Drop `Additional_Number_of_Scoring`
81+
df.drop(["Additional_Number_of_Scoring"], axis = 1, inplace=True)
82+
# Replace `Total_Number_of_Reviews` and `Average_Score` with our own calculated values
83+
df.Total_Number_of_Reviews = df.groupby('Hotel_Name').transform('count')
84+
df.Average_Score = round(df.groupby('Hotel_Name').Reviewer_Score.transform('mean'), 1)
85+
```
86+
87+
3. 리뷰 열을 처리합니다
88+
89+
1. `Review_Total_Negative_Word_Counts`, `Review_Total_Positive_Word_Counts`, `Review_Date` 그리고 `days_since_review`를 드랍합니다
90+
91+
2. `Reviewer_Score`, `Negative_Review`, 그리고 `Positive_Review` 를 두고,
92+
93+
3. 당장 `Tags` 도 둡니다
94+
95+
- 다음 섹션에서 태그에 추가적인 필터링 작업을 조금 진행하고 태그를 드랍하게 됩니다
96+
97+
4. 리뷰어 열을 처리합니다
98+
99+
1. `Total_Number_of_Reviews_Reviewer_Has_Given`을 드랍합니다
100+
101+
2. `Reviewer_Nationality`를 둡니다
102+
103+
### Tag 열
104+
105+
`Tag`열은 열에 저장된 (텍스트 폼의) 리스트라서 문제가 됩니다. 불행하게 순서와 열의 서브 섹션의 숫자는 항상 같지 않습니다. 515,000 행과 1427개 호텔이고, 각자 리뷰어가 선택할 수 있는 옵션은 조금씩 다르기 때문에, 사람에게 흥미로운 알맞은 문구를 가리기 힘듭니다. NLP가 빛나는 영역입니다. 텍스트를 스캔하고 가장 일반적인 문구를 찾으며, 셀 수 있습니다.
106+
107+
불행히도, 단일 단어는 아니지만, multi-word 구문은 (예시. *Business trip*) 흥미롭습니다. 많은 데이터에 (6762646 단어) multi-word frequency distribution 알고리즘을 실행하는 것은 특별히 오래 걸릴 수 있지만, 데이터를 보지 않아도, 필요한 비용으로 보일 것입니다. `[' Business trip ', ' Solo traveler ', ' Single Room ', ' Stayed 5 nights ', ' Submitted from a mobile device ']` 처럼 태그 샘플로 보면, 해야 하는 처리로 많이 줄일 수 있는지 물어볼 수 있기 때문에, 탐색적 데이터 분석은 유용합니다. 운이 좋게도, - 그러나 먼저 관심있는 태그를 확실히 하고자 다음 몇 단계가 필요합니다.
108+
109+
### tags 필터링
110+
111+
데이터셋의 목표는 좋은 호텔을 선택할 때 (호텔 추천 봇을 만들어 달라고 맡기는 클라이언트일 수 있습니다) 도움을 받고자 감정과 열을 추가하는 것이라고 되새깁니다. 태그가 최종 데이터셋에서 유용한지 스스로에게 물어볼 필요가 있습니다. 한 가지 해석이 있습니다 (만약 다른 사유로 데이터셋이 필요한 경우에 선택할 수 있거나 안하기도 합니다):
112+
113+
1. 여행 타입이 적절하고, 유지되어야 합니다
114+
2. 게스트 그룹 타입은 중요하고, 유지되어야 합니다
115+
3. 게스트가 지낸 룸 타입, 스위트, 또는 스튜디오 타입은 관련 없습니다 (모든 호텔은 기본적으로 같은 룸이 존재합니다)
116+
4. 리뷰를 작성한 디바이스는 관련 없습니다
117+
5. 만약 리뷰어가 좋아하는 호텔을 더 오래 지낸다면, 리뷰어가 지낸 숙박 기간과 *관련이 있을* 수 있지만, 확대 해석이며, 아마 관련 없습니다
118+
119+
요약하면, **2가지 종류 태그를 유지하고 나머지를 제거합니다**.
120+
121+
먼저, 더 좋은 포맷이 될 때까지 태그를 안 세고 싶으므로, square brackets과 quotes를 제거해야 합니다. 여러 방식으로 할 수 있지만, 많은 데이터를 처리하며 오랜 시간이 걸리므로 빠르게 하길 원합니다. 운이 좋게도, pandas는 각 단계를 쉬운 방식으로 할 수 있습니다.
122+
123+
```Python
124+
# Remove opening and closing brackets
125+
df.Tags = df.Tags.str.strip("[']")
126+
# remove all quotes too
127+
df.Tags = df.Tags.str.replace(" ', '", ",", regex = False)
128+
```
129+
130+
각자 태그는 이처럼 이루어집니다: `Business trip, Solo traveler, Single Room, Stayed 5 nights, Submitted from a mobile device`.
131+
132+
다음으로 문제를 찾았습니다. 리뷰, 또는 행에 5개 열이 있고, 일부는 3개이거나, 6개입니다. 데이터셋이 어떻게 만들어졌는가에 따른 결과이며, 고치기 어렵습니다. 각 구문의 빈도 카운트를 얻고 싶지만, 각 리뷰의 순서가 다르므로, 카운트에 벗어날 수 있고, 호텔이 가치가 있는 태그로 할당받지 못할 수 있습니다.
133+
134+
각 태그는 multi-word 지만 쉼표로 구분되어 있기 때문에, 대신 다른 순서로 사용하며 가산점을 받습니다! 간단한 방식은 태그에서 순서와 일치하는 열에 넣은 각 태그로 6개 임시 열을 만드는 것입니다. 6개 열을 하나의 큰 열로 합치고 결과 열에 `value_counts()` 메소드를 실행할 수 있습니다. 출력하면, 2428개 유니크 태그를 보게 됩니다. 여기 작은 샘플이 있습니다:
135+
136+
| Tag | Count |
137+
| ------------------------------ | ------ |
138+
| Leisure trip | 417778 |
139+
| Submitted from a mobile device | 307640 |
140+
| Couple | 252294 |
141+
| Stayed 1 night | 193645 |
142+
| Stayed 2 nights | 133937 |
143+
| Solo traveler | 108545 |
144+
| Stayed 3 nights | 95821 |
145+
| Business trip | 82939 |
146+
| Group | 65392 |
147+
| Family with young children | 61015 |
148+
| Stayed 4 nights | 47817 |
149+
| Double Room | 35207 |
150+
| Standard Double Room | 32248 |
151+
| Superior Double Room | 31393 |
152+
| Family with older children | 26349 |
153+
| Deluxe Double Room | 24823 |
154+
| Double or Twin Room | 22393 |
155+
| Stayed 5 nights | 20845 |
156+
| Standard Double or Twin Room | 17483 |
157+
| Classic Double Room | 16989 |
158+
| Superior Double or Twin Room | 13570 |
159+
| 2 rooms | 12393 |
160+
161+
`Submitted from a mobile device` 같은 일부 일반적인 태그는 사용하지 못해서, phrase occurrence를 카운트하기 전에 지우는 게 똑똑할 수 있지만, 빠르게 작업하려면 그냥 두고 무시할 수 있습니다.
162+
163+
### length of stay 태그 지우기
164+
165+
이 태그를 지우는 것은 1단계이며, 고려할 태그의 총 개수를 약간 줄이게 됩니다. 데이터셋에서 지우지 말고, 리뷰 데이터셋에 카운트/유지할 값으로 고려할 대상에서 지우게 선택합니다.
166+
167+
| Length of stay | Count |
168+
| ---------------- | ------ |
169+
| Stayed 1 night | 193645 |
170+
| Stayed 2 nights | 133937 |
171+
| Stayed 3 nights | 95821 |
172+
| Stayed 4 nights | 47817 |
173+
| Stayed 5 nights | 20845 |
174+
| Stayed 6 nights | 9776 |
175+
| Stayed 7 nights | 7399 |
176+
| Stayed 8 nights | 2502 |
177+
| Stayed 9 nights | 1293 |
178+
| ... | ... |
179+
180+
룸, 스위트, 스튜디오, 아파트 등 매우 다양합니다. 대부분 같은 것을 의미하고 관련 없으므로, 대상에서 지웁니다.
181+
182+
| Type of room | Count |
183+
| ----------------------------- | ----- |
184+
| Double Room | 35207 |
185+
| Standard Double Room | 32248 |
186+
| Superior Double Room | 31393 |
187+
| Deluxe Double Room | 24823 |
188+
| Double or Twin Room | 22393 |
189+
| Standard Double or Twin Room | 17483 |
190+
| Classic Double Room | 16989 |
191+
| Superior Double or Twin Room | 13570 |
192+
193+
최종적으로, (많이 처리할 일이 없기 때문에) 즐겁게, 다음 *유용한* 태그만 남길 예정입니다:
194+
195+
| Tag | Count |
196+
| --------------------------------------------- | ------ |
197+
| Leisure trip | 417778 |
198+
| Couple | 252294 |
199+
| Solo traveler | 108545 |
200+
| Business trip | 82939 |
201+
| Group (combined with Travellers with friends) | 67535 |
202+
| Family with young children | 61015 |
203+
| Family with older children | 26349 |
204+
| With a pet | 1405 |
205+
206+
`Travellers with friends`는 `Group`과 거의 같다고 주장할 수 있어서, 둘을 합치면 공평할 것입니다. 올바른 태그로 식별하기 위한 코드는 [the Tags notebook](../solution/1-notebook.ipynb)에 있습니다.
207+
208+
마지막 단계는 각 태그로 새로운 열을 만드는 것입니다. 그러면, 모든 리뷰 행에서, `Tag` 열이 하나의 새로운 열과 매치되면, 1을 추가하고, 아니면, 0을 추가합니다. 마지막 결과는 비지니스 vs 레저, 또는 애완동물 동반 언급하면서, 호텔 추천할 때 유용한 정보이므로, 얼마나 많은 리뷰어가 (총계) 호텔을 선택했는지 카운트합니다.
209+
210+
```python
211+
# Process the Tags into new columns
212+
# The file Hotel_Reviews_Tags.py, identifies the most important tags
213+
# Leisure trip, Couple, Solo traveler, Business trip, Group combined with Travelers with friends,
214+
# Family with young children, Family with older children, With a pet
215+
df["Leisure_trip"] = df.Tags.apply(lambda tag: 1 if "Leisure trip" in tag else 0)
216+
df["Couple"] = df.Tags.apply(lambda tag: 1 if "Couple" in tag else 0)
217+
df["Solo_traveler"] = df.Tags.apply(lambda tag: 1 if "Solo traveler" in tag else 0)
218+
df["Business_trip"] = df.Tags.apply(lambda tag: 1 if "Business trip" in tag else 0)
219+
df["Group"] = df.Tags.apply(lambda tag: 1 if "Group" in tag or "Travelers with friends" in tag else 0)
220+
df["Family_with_young_children"] = df.Tags.apply(lambda tag: 1 if "Family with young children" in tag else 0)
221+
df["Family_with_older_children"] = df.Tags.apply(lambda tag: 1 if "Family with older children" in tag else 0)
222+
df["With_a_pet"] = df.Tags.apply(lambda tag: 1 if "With a pet" in tag else 0)
223+
224+
```
225+
226+
### 파일 저장하기
227+
228+
마지막으로, 새로운 이름으로 바로 데이터셋을 저장합니다.
229+
230+
```python
231+
df.drop(["Review_Total_Negative_Word_Counts", "Review_Total_Positive_Word_Counts", "days_since_review", "Total_Number_of_Reviews_Reviewer_Has_Given"], axis = 1, inplace=True)
232+
233+
# Saving new data file with calculated columns
234+
print("Saving results to Hotel_Reviews_Filtered.csv")
235+
df.to_csv(r'../data/Hotel_Reviews_Filtered.csv', index = False)
236+
```
237+
238+
## 감정 분석 작업
239+
240+
마지막 섹션에서, 리뷰 열에 감정 분석을 적용하고 데이터셋에 결과를 저장힙니다.
241+
242+
## 연습: 필터링된 데이터를 불러오고 저장하기
243+
244+
지금 원본 데이터셋 *말고*, 이전 색션에서 저장했던 필터링된 데이터셋을 불러오고 있습니다.
245+
246+
```python
247+
import time
248+
import pandas as pd
249+
import nltk as nltk
250+
from nltk.corpus import stopwords
251+
from nltk.sentiment.vader import SentimentIntensityAnalyzer
252+
nltk.download('vader_lexicon')
253+
254+
# Load the filtered hotel reviews from CSV
255+
df = pd.read_csv('../../data/Hotel_Reviews_Filtered.csv')
256+
257+
# You code will be added here
258+
259+
260+
# Finally remember to save the hotel reviews with new NLP data added
261+
print("Saving results to Hotel_Reviews_NLP.csv")
262+
df.to_csv(r'../data/Hotel_Reviews_NLP.csv', index = False)
263+
```
264+
265+
### stop word 제거하기
266+
267+
만약 긍정적이고 부정적인 리뷰 열에 감정 분석을 하는 경우, 오랜 시간이 걸릴 수 있습니다. 빠른 CPU를 가진 강력한 노트북으로 테스트하면, 사용한 감정 라이브러리에 따라서 12 - 14 분 정도 걸립니다. (상대적)으로 오래 걸려서, 빠르게 할 수 있는지 알아볼 가치가 있습니다.
268+
269+
문장의 감정을 바꾸지 않는 stop word나, 일반적인 영어 단어를 지우는 것은, 첫 단계입니다. 지우게 된다면, 감정 분석이 더 빠르게 되지만, 정확도가 낮아지지 않습니다 (stop word는 감정에 영향없지만, 분석이 느려집니다).
270+
271+
긴 부정적 리뷰는 395 단어로 었지만 , stop word를 지우면, 195 단어만 남습니다.
272+
273+
stop word를 지우는 것은 빨라서, 테스트 디바이스에서 515,000 행이 넘는 2개 리뷰 열에 stop word를 지우면 3.3초 걸립니다. 디바이스의 CPU 속도, 램, SSD 등에 따라 더 오래 걸리거나 빨리 끝날 수 있습니다. 작업이 상대적으로 빨라지고 감정 분석 시간도 향상시킬 수 있다면, 할 가치가 있음을 의미합니다.
274+
275+
```python
276+
from nltk.corpus import stopwords
277+
278+
# Load the hotel reviews from CSV
279+
df = pd.read_csv("../../data/Hotel_Reviews_Filtered.csv")
280+
281+
# Remove stop words - can be slow for a lot of text!
282+
# Ryan Han (ryanxjhan on Kaggle) has a great post measuring performance of different stop words removal approaches
283+
# https://www.kaggle.com/ryanxjhan/fast-stop-words-removal # using the approach that Ryan recommends
284+
start = time.time()
285+
cache = set(stopwords.words("english"))
286+
def remove_stopwords(review):
287+
text = " ".join([word for word in review.split() if word not in cache])
288+
return text
289+
290+
# Remove the stop words from both columns
291+
df.Negative_Review = df.Negative_Review.apply(remove_stopwords)
292+
df.Positive_Review = df.Positive_Review.apply(remove_stopwords)
293+
```
294+
295+
### 감정 분석하기
296+
297+
지금부터 모든 부정적이고 긍정적인 리뷰 열에 대한 감정 분석을 계산하고, 2개 열에 결과를 저장해야 합니다. 감정 테스트는 같은 리뷰로 리뷰어의 점수를 비교할 예정입니다. 예시로, 만약 부정적인 리뷰가 1 (많이 긍정적인 감정) 감정이고 1 긍정적인 리뷰 감정이라고 감정을 내렸지만, 리뷰어가 낮은 점수로 호텔을 리뷰하면, 리뷰 텍스트가 점수와 어느 것도 매치되지 않거나, sentiment analyser가 감정을 똑바로 인식할 수 없습니다. 일부 감정 점수는 다 틀릴 수 있고, 그 이유를 자주 설명할 수 있습니다. 예시로. "Of course I LOVED sleeping in a room with no heating" 리뷰는 극도로 풍자적이고 sentiment analyser는 긍정적인 감정이라고 생각하지만, 사람이 읽으면 풍자라는 것을 알 수 있습니다.
298+
299+
NLTK는 학습하는 다양한 sentiment analyzer를 제공하고, 이를 대신헤서 감정이 얼마나 정확한지 볼 수 있습니다. VADER sentiment analysis를 여기에서 사용했습니다.
300+
301+
> Hutto, C.J. & Gilbert, E.E. (2014). VADER: A Parsimonious Rule-based Model for Sentiment Analysis of Social Media Text. Eighth International Conference on Weblogs and Social Media (ICWSM-14). Ann Arbor, MI, June 2014.
302+
303+
```python
304+
from nltk.sentiment.vader import SentimentIntensityAnalyzer
305+
306+
# Create the vader sentiment analyser (there are others in NLTK you can try too)
307+
vader_sentiment = SentimentIntensityAnalyzer()
308+
# Hutto, C.J. & Gilbert, E.E. (2014). VADER: A Parsimonious Rule-based Model for Sentiment Analysis of Social Media Text. Eighth International Conference on Weblogs and Social Media (ICWSM-14). Ann Arbor, MI, June 2014.
309+
310+
# There are 3 possibilities of input for a review:
311+
# It could be "No Negative", in which case, return 0
312+
# It could be "No Positive", in which case, return 0
313+
# It could be a review, in which case calculate the sentiment
314+
def calc_sentiment(review):
315+
if review == "No Negative" or review == "No Positive":
316+
return 0
317+
return vader_sentiment.polarity_scores(review)["compound"]
318+
```
319+
320+
이후에 프로그램에서 감정을 계산하려 준비할 때, 다음 각 리뷰에서 적용할 수 있습니다:
321+
322+
```python
323+
# Add a negative sentiment and positive sentiment column
324+
print("Calculating sentiment columns for both positive and negative reviews")
325+
start = time.time()
326+
df["Negative_Sentiment"] = df.Negative_Review.apply(calc_sentiment)
327+
df["Positive_Sentiment"] = df.Positive_Review.apply(calc_sentiment)
328+
end = time.time()
329+
print("Calculating sentiment took " + str(round(end - start, 2)) + " seconds")
330+
```
331+
332+
이 컴퓨터에서 120초 정도 걸리지만, 각자 컴퓨터마다 다릅니다. 만약 결과를 출력하고 감정이 리뷰와 매치되는지 보려면 아래와 같이 진행합니다:
333+
334+
```python
335+
df = df.sort_values(by=["Negative_Sentiment"], ascending=True)
336+
print(df[["Negative_Review", "Negative_Sentiment"]])
337+
df = df.sort_values(by=["Positive_Sentiment"], ascending=True)
338+
print(df[["Positive_Review", "Positive_Sentiment"]])
339+
```
340+
341+
마지막으로 할 일은 도전에서 사용하기 전, 파일을 저장하는 것입니다! 쉽게 작업하도록 모든 새로운 열로 다시 정렬을 (사람인 경우, 외형 변경) 고려해야 합니다.
342+
343+
```python
344+
# Reorder the columns (This is cosmetic, but to make it easier to explore the data later)
345+
df = df.reindex(["Hotel_Name", "Hotel_Address", "Total_Number_of_Reviews", "Average_Score", "Reviewer_Score", "Negative_Sentiment", "Positive_Sentiment", "Reviewer_Nationality", "Leisure_trip", "Couple", "Solo_traveler", "Business_trip", "Group", "Family_with_young_children", "Family_with_older_children", "With_a_pet", "Negative_Review", "Positive_Review"], axis=1)
346+
347+
print("Saving results to Hotel_Reviews_NLP.csv")
348+
df.to_csv(r"../data/Hotel_Reviews_NLP.csv", index = False)
349+
```
350+
351+
(Hotel_Reviews_Filtered.csv 파일 만들어서 [your filtering notebook](solution/notebook-filtering.ipynb) 실행한 후에) [the analysis notebook](solution/notebook-sentiment-analysis.ipynb)으로 전체 코드를 실행해야 합니다.
352+
353+
검토하는, 단계는 이렇습니다:
354+
355+
1. 원본 데이터셋 **Hotel_Reviews.csv** 파일은 이전 강의에서 [the explorer notebook](../../4-Hotel-Reviews-1/solution/notebook-explorer.ipynb)으로 살펴보았습니다
356+
2. Hotel_Reviews.csv는 [the filtering notebook](../solution/notebook-filtering.ipynb)에서 필터링되고 **Hotel_Reviews_Filtered.csv**에 결과로 남습니다
357+
3. Hotel_Reviews_Filtered.csv는 [the sentiment analysis notebook](../solution/notebook-sentiment-analysis.ipynb)에서 처리되어 **Hotel_Reviews_NLP.csv**에 결과로 남습니다
358+
4. 다음 NLP 도전에서 Hotel_Reviews_NLP.csv를 사용합니다
359+
360+
### 결론
361+
362+
시작했을 때, 열과 데이터로 이루어진 데이터셋이 었었지만 모두 다 확인되거나 사용되지 않았습니다. 데이터를 살펴보았으며, 필요없는 것은 필터링해서 지웠고, 유용하게 태그를 변환했고, 평균을 계산했으며, 일부 감정 열을 추가하고 기대하면서, 자연어 처리에 대한 일부 흥미로운 사실을 학습했습니다.
363+
364+
## [강의 후 퀴즈](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/40/)
365+
366+
## 도전
367+
368+
이제부터 감정을 분석해둔 데이터셋을 가지고 있으므로, 이 커리큘럼 (clustering, perhaps?)에서 배웠던 전략으로 감정 주변 패턴을 결정해봅니다.
369+
370+
## 검토 & 자기주도 학습
371+
372+
[this Learn module](https://docs.microsoft.com/en-us/learn/modules/classify-user-feedback-with-the-text-analytics-api/?WT.mc_id=academic-15963-cxa)로 더 배우고 다른 도구도 사용해서 텍스트에서 감정을 찾습니다.
373+
374+
## 과제
375+
376+
[Try a different dataset](../assignment.md)

0 commit comments

Comments
 (0)
Please sign in to comment.