Presentation for AgroAI app

Preliminary analysis from twitter data

Bu doküman metin madenciliğinde sıkça karıştırılan TF.IDF skorunun mantığının anlaşılması için hazırlanmıştır. TF.IDF skoru bir dokümanda geçen kelime sıklığından ziyade dokümanlardaki sıklıklarını da hesaba katan bir skordur. Örneğin bir külliyatta en fazla geçen kelime 've', 'veya' gibi kavramlar olduğu halde TF.IDF değerine göre bu değerler en az puana sahip olacaktır.

Kısa Özgeçmiş ve Çalışmalar

İller arasındaki ticari ilişkilerin hacminin görselleştirilmesi. Dr.Suat ATAN

Declaration variables and setting initial value in SQLServer is boring chore. To circumvent that I've developed a script. Just define your variables then assing the which value you want then get result and copy-paste it to SQLServer Suat ATAN

Continue to Text Mining. The word cloud generated from today's tweets about 'Borsa' in Turkish

I mined the frequent words from 1000 tweet corpora about Ankara.

The sentiment anaysis about opinions about Turkey. 2000 tweet evaulated. The histograms x-line defines the positive and negative opinion. For example -2 means the 'tweet which have 2 negative values' about turkey. +2 is vice versa. As it shown the negative opinions about Turkey obvious because histogram is left-skewed. The zero-valued tweets means the tweet which have not any opinion either positive or negative.

The sentiment anaysis about opinions about Turkey. 2000 tweet evaulated. The histograms x-line defines the positive and negative opinion. For example -2 means the 'tweet which have 2 negative values' about turkey. +2 is vice versa. As it shown the negative opinions about Turkey obvious because histogram is left-skewed. The zero-valued tweets means the tweet which have not any opinion either positive or negative.