Es identificar el tono emocional en la serie de palabras que hacen un tweet.
Ahora, ¿qué tiene de especial Twitter y por qué es diferente de SA estándar?
- Datos: Twitter da muchos datos. Para el análisis, es casi como sacar una aguja de un pajar. Encontrar tweets relevantes, eliminar el ruido, yada yada, requiere un poco de esfuerzo extra.
- Lenguaje informal: los tweets no siguen la estructura gramatical convencional. Tenemos casos como:
- “Dios mío, eso es tan genial”
- “¡Lo quiero!”
- “Sus movimientos están enfermos, hombre”.
- “El iPhone es perfecto para mi insta”.
- “¡Está en el escenario, estoy llorando! ¡¡¡11 !!”
- “El vuelo llega tarde. ¡Brillante!”
- “Fui al dentista y me sacaron el diente por el dolor necesito helado, abrazos y analgésicos”
- Opiniones: las opiniones de Twitter son sensibles al usuario. Considere el iPhone: puede ser bueno para alguien que mira a la cámara, pero no para alguien que busca un teléfono con una buena duración de batería. También dependen de la autoridad del autor: la opinión de una niña de 14 años sobre una novela puede no tener el mismo peso que la de otro escritor.
- Validación: hay escasez de una línea base confiable para medir, calificar y optimizar los modelos.
- Operacionalización: Has hecho el modelo. Ahora desea incrustarlo en un proceso de negocio, o incluso probarlo en otro dominio. ¿Qué tan madura es tu modelo? ¿Es capaz de manejar anomalías?
- ¿Existe alguna relación entre las habilidades de un desarrollador web full stack y un científico de datos?
- ¿Cuál es el punto de CRM-DBA, big data / data science, piratería de datos y minería de datos?
- ¿Cómo es ser un científico de datos en Nike?
- Comparta materiales gratuitos interesantes sobre ciencias de datos / Big Data / Machine Learning aquí?
- ¿Qué opciones de carrera hay para graduados no informáticos en Data Science?
