{ "cells": [ { "cell_type": "markdown", "source": [ "# సవాలు: డేటా సైన్సు గురించి పాఠ్యాన్ని విశ్లేషించడం\n", "\n", "> *ఈ నోట్‌బుక్‌లో, మేము వేరే URL - మిషీన్ లెర్నింగ్‌పై వికీపీడియా ఆర్టికల్‌ను ఉపయోగిస్తూ ప్రయోగం చేస్తున్నాము. డేటా సైన్సుతో పోలిస్తే, ఈ ఆర్టికల్‌లో చాలావరకు పదాలు ఉన్నాయి, ఇది విశ్లేషణను మరింత క్లిష్టతరం చేస్తోంది. కీలక పదాలు తీసుకున్న తర్వాత, కొంతసేపు తరుచుగా ఉండే, కానీ అర్థవంతంగా olmayan పద సమూహాలను తీసివేయడానికి మేము మరొక విధానాన్ని కనుగొనాలి.*\n", "\n", "ఈ ఉదాహరణలో, సంప్రదాయ డేటా సైన్స్ ప్రాసెస్ యొక్క అన్ని దశలను కవర్ చేసే సరళమైన వ్యాయామం చేద్దాం. మీరు ఏ కోడ్‌ను వ్రాయాల్సిన అవసరం లేదు, క్రింద సెల్‌లపై క్లిక్ చేసి వాటిని అమలు చేసి ఫలితాన్ని గమనించవచ్చు. ఒక సవాలుగా, మీరు ఈ కోడ్‌ను వేరే డేటాతో ప్రయత్నించడానికి ప్రోత్సహించబడుతున్నారు.\n", "\n", "## లక్ష్యం\n", "\n", "ఈ పాఠంలో, మేము డేటా సైన్స్‌తో సంబంధిత వివిధ భావాలను చర్చించాము. **టెక్స్ట్ మైనింగ్** ద్వారా మరిన్ని సంబంధిత భావాలను కనుగొనేందుకు ప్రయత్నిద్దాం. మేము డేటా సైన్స్ గురించి పాఠ్యాన్ని తీసుకుని, దానిలోని కీలకపదాలను వెలికి తీసుకొని, తరువాత ఫలితాన్ని విజువలైజ్ చేయడానికి ప్రయత్నిస్తాము.\n", "\n", "టెక్స్ట్‌గా, నేను వికీపీడియా నుండి డేటా సైన్స్ పేజీని ఉపయోగిస్తాను:\n" ], "metadata": {} }, { "cell_type": "markdown", "source": [], "metadata": {} }, { "cell_type": "code", "execution_count": 2, "source": [ "url = 'https://en.wikipedia.org/wiki/Data_science'\r\n", "url = 'https://en.wikipedia.org/wiki/Machine_learning'" ], "outputs": [], "metadata": {} }, { "cell_type": "markdown", "source": [ "## Step 1: డేటా సేకరణ\n", "\n", "ప్రతి డేటా సైన్స్ ప్రక్రియలో మొదటి దశ డేటాను సేకరించడం. దీని కోసం మేము `requests` లైబ్రరీని ఉపయోగిస్తాము:\n" ], "metadata": {} }, { "cell_type": "code", "execution_count": 3, "source": [ "import requests\r\n", "\r\n", "text = requests.get(url).content.decode('utf-8')\r\n", "print(text[:1000])" ], "outputs": [ { "output_type": "stream", "name": "stdout", "text": [ "\n", "\n", "\n", "\n", "Machine learning - Wikipedia\n", "