Devnot sunumu Kodlar : https://github.com/ibrahimcelenli/tweet-classification Eğitim Videosu : https://www.youtube.com/watch?v=uFZYi8khtCo&ab_channel=DevnotTV

1. Halil İbrahim ÇELENLİ
Makine Öğrenmesi Uygulamalarında Metin
Madenciliği
26/10/2018

2. Halil İbrahim ÇELENLİ
Makine öğrenmesi ve derin öğrenme alanlarında
çalışan bir mühendis ☺
2012 -2016 Cumhuriyet Üniversitesi Bilgisayar Mühendisliği (Lisans)
2017- ?? Kocaeli Üniversitesi Bilgisayar Mühendisliği (Lisansüstü)
2017- ?? Marmara Üniversitesi Bilgisayar Mühendisliği (Tübitak 1001 Proje)
2018- ?? Iceberg Technologies (Yapay Zeka Araştırmacısı)
github.com/ibrahimcelenli facebook.com/halilibrahim.celenli linkedin.com/in/halilibrahimcelenli

3. 01
02
03
04
05
06
Konular
Genel bir değerlendirme.
Giriş
Metinler nasıl sınıflandırılır?
Metin Madenciliği
Metinler nasıl temsil edilir?
Metinlerin Temsil Edilmesi
Makine nasıl öğrenir?
Makine Öğrenmesi
Hangi programlama dili tercih edilmeli?
Programlama
Son sözler ve sorular?
Kapanış

4. 1Giriş

5. https://www.kdnuggets.com/2016/03/data-science-puzzle-explained.html

6. https://trends.google.com/trends/explore?date=2018-01-01%202018-12-31&q=machine%20learning,deep%20learning,data%20science,data%20mining,ar
tificial%20intelligence

7. https://buzzrobot.com/difference-between-artificial-intelligence-machine-learning-and-deep-learning-ccfd779eca7b

9. 2Metin Madenciliği

10. Doğal Dil İşleme
https://ontotext.com/top-5-semantic-technology-trends-2017/

11. https://data-flair.training/blogs/text-mining/

12. https://www.educba.com/important-text-mining-vs-natural-language-processing/

13. Metin Sınıflandırma
Spam algılama (mail)
Duygu analizi (olumlu, olumsuz)
Türlerine göre ayırma (haber)

14. Olumlu Olumsuz Film İncelemesi
İnanılmaz derecede hayal kırıklığı yaratan bir filmdi.
Bu şimdiye kadar çekilmiş en iyi komedi filmlerinden biri.
İlginç, en kötü yanı boks sahneleriydi.

15. Doküman Sınıflandırma

16. Konu Modelleme

17. Metin İşleme
Ön işlem (stop words, tokenization,stemmer )
Özellik üretme ve seçme (tf-idf ve bag of words)
Değerlendirme
http://www.rroij.com/open-access/text-mining-concepts-process-and-applications-36-39.pdf

18. Ön işlem
2) Stemmer
3) Stop Words
1)Tokenization

19. 3Metinlerin Temsil
Edilmesi

20. Bag of Words

21. Term Frequency –Inverse Document Frequency (TF-IDF)

22. Word Embedding Yöntemleri

23. N-GRAMS

24. Cosine Similarity

25. 4Makine Öğrenmesi

26. https://www.xenonstack.com/blog/data-science/overview-of-artificial-intelligence-and-role-of-natural-language-processing-in-big-data

28. http://usblogs.pwc.com/emerging-technology/machine-learning-methods-infographic/

33. Example
Priors
P(c)=
P(j)=
3
4
1
4
33
Conditional Probabilities:
P(Chinese|c) =
P(Tokyo|c) =
P(Japan|c) =
P(Chinese|j) =
P(Tokyo|j) =
P(Japan|j) =
(5+1) / (8+6) = 6/14 = 3/7
(0+1) / (8+6) = 1/14
(1+1) / (3+6) = 2/9
(0+1) / (8+6) = 1/14
(1+1) / (3+6) = 2/9
(1+1) / (3+6) = 2/9
Choosing a class:
P(c|d5)
P(j|d5) 1/4 * (2/9)3
* 2/9 * 2/9
≈ 0.0001
3/4 * (3/7)3
* 1/14 * 1/14
≈ 0.0003

36. Evaluation
True Negative + True Positive
Accuracy =
True Negative + False Positive + False Negative + True Positive
https://towardsdatascience.com/accuracy-precision-recall-or-f1-331fb37c5cb9

37. Cross Validation

39. https://dzone.com/articles/machine-learning-algorithms-2018-kaggle-ml-survey

41. Web Crawler

43. https://medium.com/swlh/ill-tell-you-why-deep-learning-is-so-popular-and-in-demand-5aca72628780

45. 5Programlama

46. https://www.kdnuggets.com/2017/05/poll-analytics-data-science-machine-learning-software-leaders.html

49. https://www.kdnuggets.com/2017/05/poll-analytics-data-science-machine-learning-software-leaders.html
Tesla K80

50. 6Kapanış

51. https://blog.ai-academy.com/six-graphs-to-understand-the-state-of-ai-academic-research-3a79cac4c9c2
World distribution of AI research

52. Github : https://github.com/ibrahimcelenli/tweet-classification

53. DİNLEDİĞİNİZ İÇİN TEŞEKKÜRLER ☺
İletişim : halilibrahimcelenli@gmail.com
github.com/ibrahimcelenli facebook.com/halilibrahim.celenli linkedin.com/in/halilibrahimcelenli