In dieser Lektion werden wir sehen, wie man Daten von Twitter und YouTube sammelt. Die Lektion beginnt mit einer Einführung in die Python-Programmierung. Dann werden wir ein Python-Skript mit ein wenig Bearbeitung verwenden, um Daten aus Twitter zu extrahieren. Eine ähnliche Übung wird dann mit YouTube durchgeführt. In beiden Fällen werden wir auch sehen, wie man ein Entwicklerkonto einrichtet und welche Informationen man braucht, um die Datenerfassungs-APIs zu nutzen. Auch hier gehen Sie bitte Punkt für Punkt in der angegebenen Reihenfolge vor. Bevor Sie mit dieser Lektion beginnen, sollten Sie sich vergewissern, dass Sie die richtigen Tools (Python, R, Anaconda) zur Hand haben und konfiguriert sind. Die Lektionen hängen von ihnen ab und auch von Ihrer Fähigkeit, die erforderlichen Pakete zu installieren.

In dieser Lektion werden wir uns auf die Analyse und Visualisierung von Daten aus verschiedenen Social Media-Diensten konzentrieren. Wir werden zunächst die zuvor gesammelten Daten von YouTube verwenden, um verschiedene statistische Analysen wie Korrelation und Regression durchzuführen. Anschließend stellen wir R vor - eine Plattform für die Durchführung statistischer Analysen. Mit Hilfe von R werden wir dann einen viel größeren Datensatz analysieren, den wir von Yelp erhalten haben. Stellen Sie sicher, dass Sie den Stoff der vorangegangenen Lektionen behandelt haben, bevor Sie mit dieser Lektion fortfahren. Das bedeutet, dass Sie alle Tools (Anaconda, Python und R) sowie die verschiedenen Pakete installiert haben müssen. Wir werden dieses Mal auch neue Pakete benötigen, also stellen Sie sicher, dass Sie wissen, wie Sie diese in Ihrem Python oder R installieren können. Falls nötig, sollten Sie vor oder während der Arbeit an dieser Einheit einige grundlegende Konzepte der Statistik - insbesondere Korrelation und Regression - wiederholen.

In der letzten Einheit dieses Kurses werden wir an zwei Fallstudien arbeiten - beide verwenden Twitter und konzentrieren sich auf unstrukturierte Daten (in diesem Fall Text). In der ersten Fallstudie geht es um Sentiment-Analyse mit Python. Die zweite Fallstudie führt uns durch eine grundlegende Text Mining-Anwendung mit R. Wir schließen die Einheit mit einer Zusammenfassung dessen ab, was wir in diesem Kurs gemacht haben und wo wir als Nächstes lernen und forschen können.