SMA: Social Media Analytics

In the era of information generating meaningful insights from data has become one of the most important factors in not only winning the business competitions but also ensuring the sustainable growth of an industry. Data-driven policies will incur higher potential gain while minimizing risks. Data that are needed to for this process to happen naturally abundant in recent systems. Nevertheless, gaining and processing this large amount of complex data into valuable information is challenging even on modern infrastructures.

  1. Pendahuluan Social Media Analytics
  2. Digital Data Gathering
  3. Pendahuluan Text Analytics
  4. Representasi Data Text Vector Space Model (VSM)
  5. Representasi Data Text Word Embeddings
  6. Document Classification & Sentiment Analysis
  7. Topic Modelling
  8. Pendahuluan Network (Graph) Analysis
  9. Centrality Analysis
  10. Modularity and Community Detection

Secara berkala modul ini akan terus di koreksi dan diperbaharui dengan interval waktu yang tidak ditentukan. Mohon gunakan kolom komentar hanya untuk errata atau keperluan lain. Pertanyaan dan diskusi harap dilakukan pada Forum yang telah disediakan. Secara umum setiap modul akan terdiri dari:

  1. video: Penjelasan umum yang disajikan secara less-formal yang cocok untuk mereka yang benar-benar baru dalam mempelajari topik yang dibahas. Video penjelasan ini juga cocok untuk para praktisi yang merasa tidak perlu mendalami teori terlalu dalam.
  2. Modul tertulis: Penjelasan semi-formal tentang teori dari topik yang sedang dibahas.
  3. Topik bahasan di Forum sebagai sarana diskusi antar pengguna (asynchronous).
  4. Latihan Soal: untuk pengguna umum (subscriber tau-data) akan berisi latihan soal dasar berdasarkan materi di video, modul, & bahan bacaan tugas di modul. Latihan soal (uji kompetensi yang komprehensif) beserta skor-nya hanya diberikan ke mitra tau-data.
  5. Synchronous Learning (lewat zoom/luring) hanya diberikan kepada mitra tau-data.

Catt: Anda wajib mendaftar di web tau-data (gratis) untuk dapat mengakses keseluruhan feature, materi, latihan soal, serta diskusi di forum tau-data.

Prasayarat :

Untuk dapat mengikuti modul ini dengan baik anda diharapkan telah mempelajari modul-modul berikut:

  1. Algorithms, Data Structures, and Programming (ADSP) (Link)
  2. Mathematics for Data Science – MFDS (Link)
  3. Exploratory Data Analysis (EDA) (Link)
  4. Applied Data Mining (ADM) (Link)

Tujuan Pembelajaran

Memberikan dasar yang kuat dasar pemrograman yang baik (best practices) bagi para data scientist dan pengenalan berbagai teknik pemrograman tingkat lanjut pada permasalahan yang ada di big data.

Evaluasi:

  1. Di setiap topik di modul ini diberikan beberapa latihan daring yang dapat diikuti pengguna untuk menguji pemahaman selama mempelajari materi di modul ini. Latihan ini akan diperbaharui dari waktu ke waktu pada interval waktu yang tidak ditentukan. Ketika telah menyelesaikan berbagai aktivitas seperti menyelesaikan materi modul, latihan, menonton (secara penuh) video di tau-data, dan kegiatan lainnya pengguna akan mendapatkan tau-points. tau-points akan dapat digunakan di masa depan untuk berbagai kegiatan tau-events.
  2. Skor latihan daring akan diberitahukan secara automatis oleh sistem, namun pembahasannya tidak diberikan. tau-data melarang materi latihan soal untuk dibahas di website tau-data dikarenakan akan mengurangi efektivitas pembelajaran yang dilakukan oleh pengguna lain. Namun demikian tau-data memperbolehkan untuk mendiskusikan permasalahannya di forum yang bersesuaian yang telah disediakan tau-data (tanpa menyatakan jawaban secara eksplisit). Pelanggaran akan berakibat user dihapus dan di blokir dari sistem.
  3. mitra tau-data akan mendapatkan evaluasi tambahan dan synchronous learning baik daring (misal melalui zoom) atau luring/offline (tatap muka lewat sistem flipped class).

Software/Tools:

Python (Anaconda/WinPython/Google Colaboratory).

Modules: Spacy, NLTK, Re, OpenCV, NetworkX, TensorFlow/Keras/Pytorch, etc.

Forum:

https://tau-data.id/forums/forum/sma/

Refferences (optional):

  1. PM, K. R., Mohan, A., & Srinivasa, K. G. (2018). Practical Social Network Analysis with Python. Springer International Publishing.
  2. Fu, X., Luo, J. D., & Boos, M. (Eds.). (2017). Social network analysis: interdisciplinary approaches and case studies. CRC Press.
  3. Siddhartha Chatterjee, Michal Krystyanczuk. (2017).Python Social Media Analytics. Packt Publishing Ltd.
  4. Farzindar, A., & Inkpen, D. (2017). Natural language processing for social media. Synthesis Lectures on Human Language Technologies10(2), 1-195.
  5. Kao, A., & Poteet, S. R. (Eds.). (2007). Natural language processing and text mining. Springer Science & Business Media.

Supplementary:

  • Tools Pendukung:
    – Nvidia Card
    – Google Colab
    – GCP
    – API to some Social Media

Kembali ke Kurikulum Utama