@ -32,31 +32,31 @@ An Irish speaker translating to English would say , not , because they understan
## Tərcümə
A naive translation program might translate words only, ignoring the sentence structure.
Sadə tərcümə proqramları yalnız sözləri tərcümə edə bilir, cümlə strukturunu nəzərə almır.
✅ If you've learned a second (or third or more) language as an adult, you might have started by thinking in your native language, translating a concept word by word in your head to the second language, and then speaking out your translation. This is similar to what naive translation computer programs are doing. It's important to get past this phase to attain fluency!
✅ Əgər sən yetişkin biri kimi ikinci (üçüncü və ya daha çox) dil öyrənmisənsə, çox güman ki, birinci öz doğma dilində fikirləşməyə başlamısan, fikrini beynində ikinci dilə sözbəsöz tərcümə etmisən və sonra öz tərcüməni səsləndirmisən. Tərcümə kompüter proqramları da bunun bənzərini edir. Səmərəliliyə nail olmaq üçün bu mərhələni keçmək vacibdir!
Naive translation leads to bad (and sometimes hilarious) mistranslations: `I feel happy` translates literally to `Mise bhraitheann athas` in Irish. That means (literally) `me feel happy` and is not a valid Irish sentence. Even though English and Irish are languages spoken on two closely neighboring islands, they are very different languages with different grammar structures.
Sadə tərcümə yanlış tərcümələrə (bəzən möhtəşəmlərinə) gətirib çıxara bilir: `I feel happy` (mən yaxşı hiss edirəm) irland dilinə hərfi olaraq `Mise bhraitheann athas` kimi tərcümə olunur. Bu (hərfi olaraq) `me feel happy` (mən yaxşı hiss edirəm) kimi mənaya gəlir, lakin irland dilində bu düzgün bir cümlə deyil. Baxmayaraq ki, inglis və irland dilləri iki yaxın adada danışılır, onlar çox fərqli qrammatik strukturları ilə çox fərqli dillərdir.
> You can watch some videos about Irish linguistic traditions such as [this one](https://www.youtube.com/watch?v=mRIaLSdRMMs)
> İrland dilçiliyi ənənələri barədə [bunun kimi](https://www.youtube.com/watch?v=mRIaLSdRMMs) bəzi videolara baxa bilərsən.
### Machine learning approaches
### Maşın öyrənməsi yanaşmaları
So far, you've learned about the formal rules approach to natural language processing. Another approach is to ignore the meaning of the words, and _instead use machine learning to detect patterns_. This can work in translation if you have lots of text (a *corpus*) or texts (*corpora*) in both the origin and target languages.
İndiyə kimi təbii dil emalına rəsmi qaydalarla yanaşmalarını öyrənmisən. Başqa yanaşma sözlərin mənasını nəzərə almamaq və _onun yerinə maşın öyrənmə istifadə etməklə modeli tapmaqdır_. Əgər həm başlanğıc, həm də təyinat dillərdə çox sayda söz (*corpus*) və ya sözləri (*corpora*) tərcümə etmək istəyirsənsə, bu metod yaxşı işləyir.
For instance, consider the case of *Pride and Prejudice*, a well-known English novel written by Jane Austen in 1813. If you consult the book in English and a human translation of the book in *French*, you could detect phrases in one that are _idiomatically_ translated into the other. You'll do that in a minute.
Misal olaraq 1813-cü ildə Ceyn Austin tərəfindən yazılan məşhur inglis hekayəsi *Qürur və qərəz* nəzərə alaq. Əgər sən kitabı inglis dilində analiz etsən və insan tərəfindən *fransız* dilinə tərcümə olunmuş versiyasını oxusan orada bəzi söz birləşmələrinin _idiomatik olaraq_ digər dilinə tərcümə olunduğuna şahid olacaqsan. Tezliklə bunu görəcəksən.
For instance, when an English phrase such as `I have no money` is translated literally to French, it might become `Je n'ai pas de monnaie`. "Monnaie" is a tricky french 'false cognate', as 'money' and 'monnaie' are not synonymous. A better translation that a human might make would be `Je n'ai pas d'argent`, because it better conveys the meaning that you have no money (rather than 'loose change' which is the meaning of 'monnaie').
Misal üçün inglis dilində `I have no money`(mənim pulum yoxdur) ifadəsi hərfi olaraq fransız dilinə tərcümə olunanda `Je n'ai pas de monnaie` çevrilir. "Monnaie" sözü fransız dilində 'yanlış qohum' sözdür, belə ki 'money' və 'monnaie' sözləri sinonim deyillər. İnsan tərəfindən daha yaxşı tərcümə olsunsa `Je n'ai pas d'argent` kimi olardı, çünki burda daha aydın şəkildə pulun olmadığı mənası verir (nəinki 'monnaie' sözünün mənası 'boş dəyişiklik' mənasını verir).
> Image by [Jen Looper](https://twitter.com/jenlooper)
> [Cen Luper](https://twitter.com/jenlooper) tərəfindən şəkil
If an ML model has enough human translations to build a model on, it can improve the accuracy of translations by identifying common patterns in texts that have been previously translated by expert human speakers of both languages.
Əgər ML modeli kifayət qədər insan tərcümələrinə sahib olsa, o tərcübəli və hər iki dildə danışan insanların əvvəlki tərcümələri üzərindən ümumi qaydaları taparaq dəqiqliyini daha da inkişaf etdirə bilər.
### Exercise - translation
### Məşğələ - tərcümə
You can use `TextBlob` to translate sentences. Try the famous first line of **Pride and Prejudice**:
Sən cümlələri tərcümə etmək üçün `TextBlob` istifadə edə bilərsən. **Qürur və qərəz**-dən olan ilk məşhur cümləni yoxla:
```python
from textblob import TextBlob
@ -68,43 +68,44 @@ print(blob.translate(to="fr"))
```
`TextBlob`does a pretty good job at the translation: "C'est une vérité universellement reconnue, qu'un homme célibataire en possession d'une bonne fortune doit avoir besoin d'une femme!".
`TextBlob`tərcümədə yaxşı nəticə göstərir: "C'est une vérité universellement reconnue, qu'un homme célibataire en possession d'une bonne fortune doit avoir besoin d'une femme!".
It can be argued that TextBlob's translation is far more exact, in fact, than the 1932 French translation of the book by V. Leconte and Ch. Pressoir:
TextBlob-un tərcüməsinin dəqiqlikdən biraz uzaq olduğu müzakirə oluna bilər, fakt olaraq V. Lakont və Ç. Pressorun 1932-ci kitabının fransızca tərcüməsi belədir:
"C'est une vérité universelle qu'un célibataire pourvu d'une belle fortune doit avoir envie de se marier, et, si peu que l'on sache de son sentiment à cet egard, lorsqu'il arrive dans une nouvelle résidence, cette idée est si bien fixée dans l'esprit de ses voisins qu'ils le considèrent sur-le-champ comme la propriété légitime de l'une ou l'autre de leurs filles."
In this case, the translation informed by ML does a better job than the human translator who is unnecessarily putting words in the original author's mouth for 'clarity'.
Bu vəziyyətdə ML tərəfindən tərcümə tapşırığı daha yaxşı yerinə yetirir, nəinki insan tərcüməçi müəllifin original sözləri arasında 'dəqiqliyi' artırmaq üçün lazımsız sözlər daxil edir.
> What's going on here? and why is TextBlob so good at translation? Well, behind the scenes, it's using Google translate, a sophisticated AI able to parse millions of phrases to predict the best strings for the task at hand. There's nothing manual going on here and you need an internet connection to use `blob.translate`.
> Burada nə baş verir? Nə üçün TextBlob tərcümədə çox yaxşıdır? O arxa planda tapşırığı yerinə yetirmək üçün ən yaxşı sətirləri proqnozlaşdırmaq üçün milyonlarla ifadəni təhlil edə bilən mürəkkəb AI - Google tərcümə proqramını istifadə edir. Burada heç bir iş əllə görülmür və sənin `blob.translate` istifadə edə bilməyin üçün internet əlaqəsinə ehtiyacın var.
✅ Try some more sentences. Which is better, ML or human translation? In which cases?
✅ Müxtəlif cümlələr yoxla. Ml yoxsa insan tərcüməsi daha yaxşıdır? Hansı hallarda?
## Sentiment analysis
## Hiss analizi
Another area where machine learning can work very well is sentiment analysis. A non-ML approach to sentiment is to identify words and phrases which are 'positive' and 'negative'. Then, given a new piece of text, calculate the total value of the positive, negative and neutral words to identify the overall sentiment.
Maşın öyrənmənin çox yaxşı işləyə biləcəyi başqa bir sahə hiss analizidir. Hissələrə qeyri-ML yanaşma "müsbət" və "mənfi" olan söz və ifadələri müəyyən etməkdir. Sonra, yeni bir mətn parçası verilərkən ümumi əhval-ruhiyyəni müəyyən etmək üçün müsbət, mənfi və neytral sözlərin ümumi dəyərini hesablayın.
This approach is easily tricked as you may have seen in the Marvin task - the sentence `Great, that was a wonderful waste of time, I'm glad we are lost on this dark road` is a sarcastic, negative sentiment sentence, but the simple algorithm detects 'great', 'wonderful', 'glad' as positive and 'waste', 'lost' and 'dark' as negative. The overall sentiment is swayed by these conflicting words.
Bu yanaşma Marvin tapşırığında gördüyümüz cümlə kimi çox rahatlıqla aldadıla bilər, `Əla, bu gözəl vaxt itkisi idi, bu qaranlıq yolda itdiyimiz üçün şadam` cümləsi sarkazm və neqativ hiss daşıyır, lakin sadə alqoritm 'əla', 'gözəl', 'şad' sözlərini müsbət, 'itki', 'itmiş' və 'qaranlıq' is mənfi kimi təyin edəcək. Ümumi hiss bu qarşılıqlı sözlərə görə qeyri-dəqiq olacaq.
✅ Stop a second and think about how we convey sarcasm as human speakers. Tone inflection plays a large role. Try to say the phrase "Well, that film was awesome" in different ways to discover how your voice conveys meaning.
✅ Bir saniyə dayanın və insan kimi sarkazmı necə çatdırdığımızı düşünün. Ton oynaması böyük rol oynayır. Səsinizin mənanı necə çatdırdığını görmək üçün müxtəlif yollarla "Yaxşı, o film möhtəşəm idi" ifadəsini deməyə çalışın.
### ML approaches
### ML yanaşmaları
The ML approach would be to manually gather negative and positive bodies of text - tweets, or movie reviews, or anything where the human has given a score *and* a written opinion. Then NLP techniques can be applied to opinions and scores, so that patterns emerge (e.g., positive movie reviews tend to have the phrase 'Oscar worthy' more than negative movie reviews, or positive restaurant reviews say 'gourmet' much more than 'disgusting').
ML yanaşması mətnin mənfi və müsbət hissələrini - tvitləri, film rəylərini və ya insanın xal *və* yazılı rəy verdiyi hər şeyi əl ilə toplamaq olardı. Sonra NLP texnikaları fikirlərə və xallara tətbiq oluna bilər, beləliklə nümunələr meydana çıxa bilər (məsələn, müsbət film rəylərində mənfi film rəylərindən daha çox "Oskara layiqdir" ifadəsi olur və ya müsbət restoran rəyləri "iyrənc"dən daha çox "gurme" sözü istifadə olunur. ).
> ⚖️ **Example**: If you worked in a politician's office and there was some new law being debated, constituents might write to the office with emails supporting or emails against the particular new law. Let's say you are tasked with reading the emails and sorting them in 2 piles, *for* and *against*. If there were a lot of emails, you might be overwhelmed attempting to read them all. Wouldn't it be nice if a bot could read them all for you, understand them and tell you in which pile each email belonged?
>
> One way to achieve that is to use Machine Learning. You would train the model with a portion of the *against* emails and a portion of the *for* emails. The model would tend to associate phrases and words with the against side and the for side, *but it would not understand any of the content*, only that certain words and patterns were more likely to appear in an *against* or a *for* email. You could test it with some emails that you had not used to train the model, and see if it came to the same conclusion as you did. Then, once you were happy with the accuracy of the model, you could process future emails without having to read each one.
✅ Does this process sound like processes you have used in previous lessons?
> ⚖️ **Nümunə**: Əgər siz siyasətçinin ofisində işləmisinizsə və yeni qanun müzakirə olunurdusa, seçicilər xüsusi yeni qanunu dəstəkləyən və ya əleyhinə olan e-poçtların daxil olduğunu görə bilərdiniz. Deyək ki, sizə e-poçtları oxumaq və onları*lehinə* və *əleyhinə* olmaqla 2 qrupa çeşidləmək tapşırılıb. Əgər çox e-məktublar olsaydı, onların hamısını oxumağa cəhd etmək sizə yorucu gələ bilər. Bir bot sizin üçün onların hamısını oxuyub başa düşsə və hər bir e-poçtun hansı qrupa aid olduğunu sizə bildirsə, gözəl olmazdımı?
>
> Buna nail olmağın bir yolu Maşın Öyrənməsindən istifadə etməkdir. Siz modeli e-poçtların bir hissəsi ilə *leyihə* və digər hissəsi ilə *əleyhinə* olaraq öyrədərdiniz. Model ifadələri və sözləri əleyhinə və lehinə tərəf ilə əlaqələndirməyə meylli olardı, *lakin o, məzmunun heç birini başa düşməyəcək*, yalnız müəyyən söz və nümunələri öz ehtimallarına əsasən *əleyhinə* və ya *leyinə* e-məktublarda olacaqdır. Siz modeli öyrətmək üçün istifadə etmədiyiniz bəzi e-poçt məktubları ilə sınaqdan keçirə və onun sizinlə eyni nəticəyə gəlib-gəlmədiyini görə bilərsiniz. Bundan sonra modelin dəqiqliyindən məmnun ola və oxumadan növbəti e-poçtların hər birini emal edə bilərsiniz.
## Exercise - sentimental sentences
✅ Bu proses əvvəlki dərslərdə istifadə etdiyimiz proseslərə oxşar gəldimi?
Sentiment is measured in with a *polarity* of -1 to 1, meaning -1 is the most negative sentiment, and 1 is the most positive. Sentiment is also measured with an 0 - 1 score for objectivity (0) and subjectivity (1).
## Tapşırıq - sentimental cümlələr
Take another look at Jane Austen's *Pride and Prejudice*. The text is available here at [Project Gutenberg](https://www.gutenberg.org/files/1342/1342-h/1342-h.htm). The sample below shows a short program which analyses the sentiment of first and last sentences from the book and display its sentiment polarity and subjectivity/objectivity score.
Hiss -1-dən 1-ə kimi olan *şkala* üzərində ölçülür, -1 ən mənfi hissi, 1 isə ən müsbəti bildirir. Hiss həçminin 0 - 1 arasında obyektivlik (0) və subyektivlik (1) üzrə də ölçülür.
You should use the `TextBlob` library (described above) to determine `sentiment` (you do not have to write your own sentiment calculator) in the following task.
Ceyn Austinin *Qürur və qərəz* əsərinə yenidən baxaq. Mətn [Qutenberq layihəsində](https://www.gutenberg.org/files/1342/1342-h/1342-h.htm) də yerləşdirilib. Aşağıdakı nümunədə qısa proqram kitabdan birinci və son cümlələrini hiss analizi edir, hiss şkalası və subtektivlik/obyektivlik qiymətlərini çap edir.
`TextBlob` kitabxanasını (yuxarıda qeyd olunan) `hissi` təyin etmək üçün (öz hiss hesablayıcını yazmağa ehtiyac olmamalıdır) aşağıdakı tapşırıqda istifadə etməlisən.
```python
from textblob import TextBlob
@ -120,7 +121,7 @@ print(quote1 + " has a sentiment of " + str(sentiment1))
print(quote2 + " has a sentiment of " + str(sentiment2))
```
You see the following output:
Aşağıdakı nəticəni görməlisən:
```output
It is a truth universally acknowledged, that a single man in possession of a good fortune, must be in want # of a wife. has a sentiment of Sentiment(polarity=0.20952380952380953, subjectivity=0.27142857142857146)
@ -131,58 +132,59 @@ Darcy, as well as Elizabeth, really loved them; and they were
uniting them. has a sentiment of Sentiment(polarity=0.7, subjectivity=0.8)
```
## Challenge - check sentiment polarity
Your task is to determine, using sentiment polarity, if *Pride and Prejudice* has more absolutely positive sentences than absolutely negative ones. For this task, you may assume that a polarity score of 1 or -1 is absolutely positive or negative respectively.
**Steps:**
1. Download a [copy of Pride and Prejudice](https://www.gutenberg.org/files/1342/1342-h/1342-h.htm) from Project Gutenberg as a .txt file. Remove the metadata at the start and end of the file, leaving only the original text
2. Open the file in Python and extract the contents as a string
3. Create a TextBlob using the book string
4. Analyse each sentence in the book in a loop
1. If the polarity is 1 or -1 store the sentence in an array or list of positive or negative messages
5. At the end, print out all the positive sentences and negative sentences (separately) and the number of each.
Here is a sample [solution](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/3-Translation-Sentiment/solution/notebook.ipynb).
✅ Knowledge Check
1. The sentiment is based on words used in the sentence, but does the code *understand* the words?
2. Do you think the sentiment polarity is accurate, or in other words, do you *agree* with the scores?
1. In particular, do you agree or disagree with the absolute **positive** polarity of the following sentences?
* “What an excellent father you have, girls!” said she, when the door was shut.
* “Your examination of Mr. Darcy is over, I presume,” said Miss Bingley; “and pray what is the result?” “I am perfectly convinced by it that Mr. Darcy has no defect.
* How wonderfully these sort of things occur!
* I have the greatest dislike in the world to that sort of thing.
* Charlotte is an excellent manager, I dare say.
* “This is delightful indeed!
* I am so happy!
* Your idea of the ponies is delightful.
2. The next 3 sentences were scored with an absolute positive sentiment, but on close reading, they are not positive sentences. Why did the sentiment analysis think they were positive sentences?
* Happy shall I be, when his stay at Netherfield is over!” “I wish I could say anything to comfort you,” replied Elizabeth; “but it is wholly out of my power.
* If I could but see you as happy!
* Our distress, my dear Lizzy, is very great.
3. Do you agree or disagree with the absolute **negative** polarity of the following sentences?
- Everybody is disgusted with his pride.
- “I should like to know how he behaves among strangers.” “You shall hear then—but prepare yourself for something very dreadful.
- The pause was to Elizabeth’s feelings dreadful.
- It would be dreadful!
✅ Any aficionado of Jane Austen will understand that she often uses her books to critique the more ridiculous aspects of English Regency society. Elizabeth Bennett, the main character in *Pride and Prejudice*, is a keen social observer (like the author) and her language is often heavily nuanced. Even Mr. Darcy (the love interest in the story) notes Elizabeth's playful and teasing use of language: "I have had the pleasure of your acquaintance long enough to know that you find great enjoyment in occasionally professing opinions which in fact are not your own."
## Məşğələ - hiss şkalasını yoxla
Sənin tapşırığın hiss şkaları istifadə etməklə *Qürur və Qərəz* mütləq sayda mənfidən daha çox müsbət cümlələrin olduğu halı təyin etməkdir. Bu tapşırıq üçün sən şkalanın 1 və ya -1 dəyərlərini müvafiq olaraq mütləq müsbət və ya mənfi kimi saya bilərsən.
**Addımlar:**
1. [Qürur və Qərəzin nüxsəsini](https://www.gutenberg.org/files/1342/1342-h/1342-h.htm) Qutenberq layihəsindən .txt faylı kimi yükləyin. Faylın əvvəlində və sonunda metadatanı silin, yalnız orijinal mətni saxla
2. Faylı Python-da açın və məzmunu string kimi çıxar
3. Kitab string dəyərini istifadə edərək TextBlob yarat
4. Kitabın hər cümləsini dövr içində analiz et
1. Cümlənin müsbət və mənfi mənasına əsasən şkala dəyəri 1 və ya -1 kimi çoxluq içində saxla
5. Sonda bütün müsbət və mənfi cümlələri (ayrı-ayrı) və hər birinin sayını çap et
Nümunə [həll](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/3-Translation-Sentiment/solution/notebook.ipynb) burdadadır.
✅ Bilik yoxlaması
1. Hiss cümlədə istifadə olunan sözlərə əsaslanır, lakin kod sözləri *anlayırmı*?
2. Sizcə, hiss şkalası dəqiqdirmi, başqa sözlə, siz xallarla *razısan*?
1. Xüsusilə, aşağıdaki cümlələrin mütləq **müsbət** şkala ilə qiymətləndirilməsinə razısan və ya razı deyilsən?
* “Nə gözəl atanız var, qızlar!” qapı bağlananda dedi.
* “Cənab Darsi ilə bağlı imtahanınız bitdi, məncə,” Miss Binqli dedi; "Və dua et, nəticəsi nə olacaq?" “Mən buna tam əmin oldum ki, cənab Darsinin heç bir qüsuru yoxdur”.
* Bu cür şeylər necə də gözəl baş verir!
* Dünyada bu cür şeylərə ən böyük nifrətim var.
* Seyə bilərəm ki, Şarlotta əla menecerdir.
* “Bu, həqiqətən də ləzzətlidir!
* Mən çox xoşbəxtəm!
* Ponilər haqqında təsəvvürünüz ləzzətlidir.
2. Növbəti 3 cümlə mütləq müsbət əhval-ruhiyyə ilə qiymətləndirildi, lakin yaxından oxuduqda onlar müsbət cümlələr deyil. Nə üçün hisslərin təhlili onların müsbət cümlələr olduğunu düşündü?
* “Onun Niderfilddə qalması başa çatanda xoşbəxt olacağam!” Elizabet cavab verdi: “Kaş ki, sənə təsəlli verəcək bir şey deyə biləydim”; “Ancaq bu, mənim gücümdən tamamilə kənardır”.
* Səni xoşbəxt görə bilsəydim!
* Bizim əziyyətimiz, əzizim Lizzy, çox böyükdür.
3. Aşağıdakı cümlələrin mütləq **mənfi** şkalası ilə razısan və ya razı deyilsən?
- Onun qürurundan hamı iyrənir.
- "Mən onun yad insanlar arasında necə davrandığını bilmək istərdim." "Onu eşidəcəksən, amma özünü çox qorxunc bir şeyə hazırla".
- Fasil' Elizabethin hissləri üçün qorxunc idi.
- Dəhşətli olardı!
✅ Jane Austen-in hər hansı bir həvəskarı başa düşəcək ki, o, tez-tez kitablarından İngilis Regency cəmiyyətinin daha gülməli aspektlərini tənqid etmək üçün istifadə edir. *Qürur və qərəz* əsərinin baş qəhrəmanı Elizabeth Bennett (müəllif kimi) diqqətli sosial müşahidəçidir və onun danışığı tez-tez ağır sözlərlə dolu olur. Hətta cənab Darsi (hekayədəki sevgi marağı) Elizabetin oynaq və zəhlətökən dildən istifadə etdiyini qeyd edir: “Sizinlə uzun müddətli tanışlığımızdan həzz alıram və sizin hərdən özünüzə aid olmayan fikirləri söyləməkdən böyük həzz aldığınızı da bilirəm."
---
## 🚀Challenge
## 🚀 Məşğələ
İstifadəçi məlumatlarından digər xüsusiyyətləri çıxarmaqla Marvin'i daha da yaxşılaşdıra bilərsinizmi?
Can you make Marvin even better by extracting other features from the user input?
## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/36/)
Mətndən hissləri çıxarmağın bir çox yolu var. Bu texnikadan istifadə edə biləcək biznes tətbiqlərini düşünün. Bunun necə pisləşə biləcəyini düşünün. [Azure mətn təhlili](https://docs.microsoft.com/azure/cognitive-services/Text-Analytics/how-tos/text-analytics-how-to-sentiment-analysis?tabs=version-3-1?WT.mc_id=academic-77952-leestott) kimi korporativ istifadəyə hazır hiss analizi edən sistemlər barədə oxuyun. Yuxarıdakı Qurur və Qərəz əsərindən olan bəzi cümlələri yoxlayın və hissi düzgün təyin edə bildiyini müşahidə edin.
There are many ways to extract sentiment from text. Think of the business applications that might make use of this technique. Think about how it can go awry. Read more about sophisticated enterprise-ready systems that analyze sentiment such as [Azure Text Analysis](https://docs.microsoft.com/azure/cognitive-services/Text-Analytics/how-tos/text-analytics-how-to-sentiment-analysis?tabs=version-3-1?WT.mc_id=academic-77952-leestott). Test some of the Pride and Prejudice sentences above and see if it can detect nuance.
In [this notebook](https://www.kaggle.com/jenlooper/emily-dickinson-word-frequency) you can find over 500 Emily Dickinson poems previously analyzed for sentiment using Azure text analytics. Using this dataset, analyze it using the techniques described in the lesson. Does the suggested sentiment of a poem match the more sophistic Azure service's decision? Why or why not, in your opinion? Does anything surprise you?
## Rubric
[Bu notbukda](https://www.kaggle.com/jenlooper/emily-dickinson-word-frequency) Azure mətn analitikası istifadə edərək hiss analizi üçün istifadə edilən 500-dən çox Emili Dikinsonun şeirlərini tapa bilərsən. Bu dataseti istifadə edərək dərsdə bəhs olunan texinika ilə analiz et. Şeirlərdən çıxarılan hiss nəticəsi daha təkmil Azure xidmətlərinin qərarları ilə tutuşurmu? Sənin fikrincə, nə üçün tutuşur və ya tutuşmur? Nəsə sənə müəmmalı gəldi?
| | A notebook is presented with a solid analysis of an author's sample output | The notebook is incomplete or does not perform analysis | No notebook is presented |
## Rubrika
| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan |
| | Müəllifin nümunə məlumatlarının tam analizi notbukda təqdim olunub | Notbuk natamamdır və ya analiz yerinə yetirilməyib | Notbuk təqdim olunmayıb |
Karim Karimov
2 years ago