"!NLP: Online Text Mining
Die Einheit richtet sich an Personen mit soliden Python-Grundlagen, die Texte systematisch auswerten möchten. NLP (Natural Language Processing) wird als präziser Werkzeugkasten verstanden: von der Vorverarbeitung über Repräsentationen bis zur Modellierung. NLP verbindet saubere Datenaufnahme, nachvollziehbare Features und reproduzierbare Experimente. NLP erklärt zentrale Schritte wie Tokenisierung (Zerlegung), Lemmatisierung (Grundform) und TF-IDF (Termgewichtung). NLP wird in einfache Pipelines eingebettet, damit Ergebnisse stabil, dokumentiert und für Analysen nutzbar bleiben.

Inhaltsübersicht1. Textgrundlagen - Quellen und Qualität2. NLP - Repräsentation und Merkmale3. Modelle - Training und Bewertung4. NLP - Anwendung und Betrieb
1. Daten und Vorverarbeitung
  • Quellen anbinden, Formate vereinheitlichen (CSV, JSON, SQL)
  • Tokenisierung, Stoppwörter, Lemmatisierung vs. Stemming
  • Spracherkennung, Zeichensätze und Duplikate prüfen

2. NLP - Repräsentation
  • TF-IDF und N-Gramme als baseline-taugliche Features
  • Embeddings (Wort-/Satzvektoren) sinnvoll auswählen
  • Dimensionalität, Feature-Selektion und Regularisierung

3. Modelle und Metriken
  • Basismodelle: Naive Bayes, Logistische Regression, lineare SVM
  • Metriken: Precision, Recall, F1, ROC-AUC; Kreuzvalidierung
  • Fehleranalyse mit Beispielen/Gegenbeispielen

4. NLP - Betrieb und Nutzung
  • Pipelines strukturieren, Seeds/Versionen fixieren
  • Exports: Labels, Scores, Schlagwörter für BI/Reports
  • Monitoring: Drift, Wortschatz, Klassenverteilungen"