Machine learning - Wikipedia

{ "cells": [ { "cell_type": "markdown", "source": [ "# 챌린지: 데이터 과학에 관한 텍스트 분석하기\n", "\n", "> *이 노트북에서는 다른 URL - 머신 러닝에 관한 위키피디아 기사를 사용하여 실험합니다. 데이터 과학과는 달리, 이 기사는 용어가 많이 포함되어 있어 분석이 더 문제적입니다. 키워드 추출 후 데이터를 정리하는 또 다른 방법을 찾아야 합니다. 빈번하지만 의미 없는 단어 조합을 제거하기 위함입니다.*\n", "\n", "이 예제에서는 전통적인 데이터 과학 프로세스의 모든 단계를 포함하는 간단한 연습을 하겠습니다. 코드를 작성할 필요 없이 아래 셀을 클릭해 실행하고 결과를 관찰할 수 있습니다. 챌린지로 다양한 데이터로 이 코드를 시도해 보길 권장합니다.\n", "\n", "## 목표\n", "\n", "이번 강의에서는 데이터 과학과 관련된 다양한 개념을 논의했습니다. 텍스트 마이닝을 통해 더 많은 관련 개념을 발견하도록 해봅시다. 데이터 과학에 관한 텍스트를 사용해 키워드를 추출하고, 그 결과를 시각화하도록 하겠습니다.\n", "\n", "텍스트로는 위키피디아의 데이터 과학 페이지를 사용하겠습니다:\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": [ "## ជំហានទី 1: ទទួលបានទិន្នន័យ\n", "\n", "ជំហានដំបូងក្នុងដំណើរការវិទ្យាសាស្ត្រទិន្នន័យគឺទទួលបានទិន្នន័យ។ យើងនឹងប្រើបណ្ណាល័យ `requests` ដើម្បីធ្វើការនោះ៖\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", "