Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Challenge: Creating a Bag of Words | Basic Text Models
Introduction to NLP
course content

Зміст курсу

Introduction to NLP

Introduction to NLP

1. Text Preprocessing Fundamentals
NLP and Its ApplicationsUnderstanding Text PreprocessingTokenizationChallenge: Tokenizing a Sentence Tokenization Using Regular ExpressionsChallenge: Tokenizing Using RegexRemoving Stop WordsApplying Text Preprocessing in Practice
2. Stemming and Lemmatization
StemmingChallenge: Stemming the TokensLemmatizationPart of Speech TaggingLemmatization with POS Tagging
3. Basic Text Models
Overview of Vector Space ModelsKey Types of Vector Space ModelsBag of WordsCustomizing Bag of WordsChallenge: Creating a Bag of WordsTF-IDFImplementing TF-IDF
4. Word Embeddings
Word Embeddings BasicsCBoW and Skip-gram Models (Optional)Implementing Word2VecChallenge: Creating Word Embeddings

bookChallenge: Creating a Bag of Words

Завдання

Your task is to display the vector for the 'graphic design' bigram in a BoW model:

  1. Import the CountVectorizer class to create a BoW model.
  2. Instantiate the CountVectorizer class as count_vectorizer, configuring it for a frequency-based model that includes both unigrams and bigrams.
  3. Utilize the appropriate method of count_vectorizer to generate a BoW matrix from the 'Document' column in the corpus.
  4. Convert bow_matrix to a dense array and create a DataFrame from it, setting the unique features (unigrams and bigrams) as its columns. Assign this to the variable bow_df.
  5. Display the vector for 'graphic design' as an array, rather than as a pandas Series.

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 3. Розділ 5
toggle bottom row

bookChallenge: Creating a Bag of Words

Завдання

Your task is to display the vector for the 'graphic design' bigram in a BoW model:

  1. Import the CountVectorizer class to create a BoW model.
  2. Instantiate the CountVectorizer class as count_vectorizer, configuring it for a frequency-based model that includes both unigrams and bigrams.
  3. Utilize the appropriate method of count_vectorizer to generate a BoW matrix from the 'Document' column in the corpus.
  4. Convert bow_matrix to a dense array and create a DataFrame from it, setting the unique features (unigrams and bigrams) as its columns. Assign this to the variable bow_df.
  5. Display the vector for 'graphic design' as an array, rather than as a pandas Series.

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 3. Розділ 5
toggle bottom row

bookChallenge: Creating a Bag of Words

Завдання

Your task is to display the vector for the 'graphic design' bigram in a BoW model:

  1. Import the CountVectorizer class to create a BoW model.
  2. Instantiate the CountVectorizer class as count_vectorizer, configuring it for a frequency-based model that includes both unigrams and bigrams.
  3. Utilize the appropriate method of count_vectorizer to generate a BoW matrix from the 'Document' column in the corpus.
  4. Convert bow_matrix to a dense array and create a DataFrame from it, setting the unique features (unigrams and bigrams) as its columns. Assign this to the variable bow_df.
  5. Display the vector for 'graphic design' as an array, rather than as a pandas Series.

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Завдання

Your task is to display the vector for the 'graphic design' bigram in a BoW model:

  1. Import the CountVectorizer class to create a BoW model.
  2. Instantiate the CountVectorizer class as count_vectorizer, configuring it for a frequency-based model that includes both unigrams and bigrams.
  3. Utilize the appropriate method of count_vectorizer to generate a BoW matrix from the 'Document' column in the corpus.
  4. Convert bow_matrix to a dense array and create a DataFrame from it, setting the unique features (unigrams and bigrams) as its columns. Assign this to the variable bow_df.
  5. Display the vector for 'graphic design' as an array, rather than as a pandas Series.

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Секція 3. Розділ 5
Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
some-alt