Анастасия Коломыцева

Для анализа я выбрала статистику рождаемости и смертности в России. Статистика из википедии:  Результаты:  Linear Projection Data Table Scater Plot  Interactive k-Mean Polynomial Regression Вывод: анализируемые группы данных связаны общей темой, но сутью (рождаемость и смертность) не связаны. Наиболее эффективной моделью, я считаю, является  Linear Projection и  Polynomial Regression. Данные удобно расположены и можно понять их взаимосвязь.

Я выбрала файл lastfm.net, в качестве параметра был выбран last album. 1)  Наиболее важные связи в данных категориях:  Rock, Indie (Зеленый и Светло-серый). Также доминирует категория "другие". 2)  Центральный элемент связей (основное ядро данных) - rock (зеленый кружок). 3)  Самой удобной мне показалась модель Network Explorer, так как в ней можно увидеть преобладающий тип контента.   Я выбрала файл lastfm.net, в качестве параметра был выбран last album.

Для анализа я взяла те же 10 абстрактных постеров к фильмам.   1) Между результатами есть разница. Кластеризация и    Image Grid разделили картинки по принципу наличия схожих элементов, например, повторяющихся линий, фигур, соотношения изображения и надписи.   t-SNE же скорее ориентировался на цвета. На мой взгляд, точнее всего картинки разделились при помощи модели  Hierarchical Clustering. 2) Для анализа я выбрала 10 абстрактных постеров чехословацких художников к фильмам. Часть из них сгруппировалась из-за доминирования схожих цветов, другая из-за общности некоторых элементов (крупной надписи, повторяющихся линий). В целом, я согласна с логикой разделения, но часть фотографий поменяла бы местами. 

Для анализа я выбрала 10 постеров к различным фильмам 1) Вторая модель показалась мне наиболее точной, так как дала более чёткое разделение фотографий по группам, а также по ней легче определить, по каким признакам картинки могли быть сгруппированы, так как они видны и есть возможность их сравнить 2)  Для анализа я выбрала 10  абстрактных постеров чехословацких художников к различным фильмам. Часть из них сгруппировалась из-за доминирования схожих цветов, другая из-за общности некоторых элементов (крупной надписи, повторяющихся линий). Отчасти я согласна с логикой разделения, но несколько картинок точно поменяла бы местами.

  Для анализа я выбрала 10 новостных текстов из раздела "криминал" на сайте 74.ru Тексты разделились на две группы. В группе, выделенной голубым, оказались тексты, в которых содержалась информация об убийствах, а если конкретно - о непосредственно самих инцидентах. В другую же группу объединились тексты, в которых сообщалась о задержаниях преступников следователями. Такое разделение обусловлено общностью ключевых слов в текстах. Число групп меняется при изменении уровня кластеризации. При смещении разделителя вправо - увеличивается, при смещении влево - уменьшается.

Для анализа я выбрала две рецензии на фильм "Конклав", с положительной оценкой и одну и с отрицательной.  Вывод: и в первом, и во втором случае модель текста среди ключевых слов в основном выделяет предлоги, союзы и частицы, которые не дают чёткого понимания о содержании текста.  Word cloud же позволяет увидеть большое количество слов, по которым действительно можно судить о тематике текста. Поэтому определять тематику, на мой взгляд, легче и удобнее по методике Word cloud. текст №1 текст №2

Для анализа я выбрала три бренда: Prada, Balenciaga и Versace 1. Prada У слова "Prada" соотношение позитива и негатива 1:1. Негативная оценка, в основном, исходит от постов про протесты против диктатуры брендов, позитивная от постов с хвалебными отзывами о последних коллекциях, а нейтральная с обсуждением образов звёзд в одежде бренда. Чаще встречается на фото или в видео, а поиск в интернете связан с дизайнерами модного дома или их определёнными товарами.  2. Balenciaga У слова "Balenciaga" соотношение позитива и негатива 3:2. Позитивные посты также связаны с показами и хвалебными отзывами, а негативные с нелестными отзывами о коллекциях модного дома. Название бренда чаще, чем у Prada, встречается в ссылках и также присутствует на фото и в видео. Ключевые запросы, в основном, связаны с поиском конкретной продукции бренда.  3. Versace  У слова "Versace" ситуация с соотношением позитива и негатива куда лучше: 4:1. Бренд меньше подвергается критике, чем конк...

Для проведения анализа я выбрала две рецензии на музыкальные альбомы группы The Velvet Underground . Первая - с негативной и сильно эмоциональной реакцией, вторая с позитивной, но более сдержанной. Вывод:  второй текст действительно более положительный, а также менее эмоциональный, чем первый. Наиболее точную оценку, на мой взгляд, даёт модель MDS. текст №1  текст №2

Для анализа я выбрала 5 рецензий от разных авторов  на фильм "Бойцовский клуб " Выводы: 1) Эмоциональная составляющая в рассмотренных текстах очень мало отличается. Из 5 текстов, 3 в незначительном ключе характеризуются как "радостные", в остальном же изменения не явные. 2) Для анализа я использовала шкалы, которые показывают разные данные в разных текстах, такие показатели как: "плохой", "громкий", "величественный", "большой", "угловатый". Эти критерии позволяют отличать данные тексты. 3) Было сложно выделить самый эмоциональный и неэмоциональный текст.  На мой взгляд, самый эмоциональный - первый. Самый неэмоциональный - третий, потому что некоторые критерии ниже остальных, в целом эмоциональность везде одинаковая. 4) Результаты анализа никак не связаны с моим личным мнением насчет этих текстов. Во многом для анализа используются странные критерии. Разумеется, в рецензиях есть как хорошие, так и негативные мысли и ...