Preparando o ambiente

Instalando os pacotes

Carregando os pacotes

library("tm")
library("wordcloud")
library("RColorBrewer")
library("twitteR")
library("syuzhet")

1-Nuvem de palavra do discurso “Eu tenho um sonho” de Martin Luther King Jr. seguido de gárfico com as palavras mais frequentes

1.1 Carregando o arquivo na variavel discurso

discurso <- read.delim('i have a dream.txt')

1.2 Formatando na estrutura de corpus para que seja possivel a utilizacao das blibliotecas

corpus_discurso <- Corpus(VectorSource(discurso))

1.3 Pre-Processamento

1.3.1 Transpondo todas as palavras para minusculas

corpus_discurso <- tm_map(corpus_discurso, tolower)

1.3.2 Removendo a pontuacao

corpus_discurso <- tm_map(corpus_discurso, removePunctuation)

1.3.3 Removendo espacos em branco

corpus_discurso <- tm_map(corpus_discurso, stripWhitespace)

1.3.4 Removendo stopwords

corpus_discurso <- tm_map(corpus_discurso, removeWords, stopwords('english'))

1.4 Criando matriz dos termos

matriz_palavras <- as.matrix(TermDocumentMatrix(corpus_discurso))

1.5 Visualizando as palavras mais frenquentes, mostraremos apenas as palavras que se repetiram 5x ou mais.

frequencia <-sort(rowSums(matriz_palavras), decreasing=TRUE)
frequencia_min_5 <- subset(frequencia, frequencia>5)
barplot(frequencia_min_5,las=2,main="Frequencia das Palavras",xlab='Palavras',ylab='Quantidade', col= c("red","blue"))

1.6 Gerando Nuvem de Palavras, agora nossa frequencia minima sera de 2 e teremos no maximo 50 palavras.

wordcloud(corpus_discurso,min.freq = 2,max.words = 50, random.order = FALSE, rot.per = 0.35, colors =c("red","blue"))

3- Equações complexas usando Latex.

1-Naive Baies:

\[ P \left(A \mid B \right) = \frac {P\left(B \mid A\right)P(A)} {P(A)} \]

2-Lei de Ampere:

\[ \nabla \times H = J_{f} + \frac{\partial D}{\partial t} \]

3-Equação da Lei de Murphy,segundo Joel Pel:

\[ P_{M} = K_{M} \left(e \frac {-I^{*}C^{*}U+F} {F_{M}} -1\right) \]

4&5-As equacoes de Maxwell em Unidades Gaussianas:

\[ \nabla \times E= 0 \nabla \times E = -\frac{1}{c}\frac{\partial H}{\partial t} \]

\[ \nabla \times H= 0 \nabla \times H = -\frac{1}{c}\frac{\partial E}{\partial t} \]

4-Figuras Relacionadas a Ciencia de Dados

Figura 1

Gravura Data Science

Figura 2

Bliblioteca Python mais utlizada para Data Science

5-5 referências usando o BibTex.

Obach and Jaques (2019)

Vaz et al. (2019)

E. V. da Silva, Netto, and Souza (n.d.)

J. C. S. Silva et al. (2018)

R. R. Silva and Brito Gonçalves (n.d.)

Referencias

Obach, Rodrigo, and Patricia Jaques. 2019. “Um Dashboard Educacional Para Um Sistema Tutor Baseado Em Passos.” In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática Na Educação-SBIE), 30:1561. 1.
Silva, Euler Vieira da, José Francisco de M Netto, and Ricardo A Lima de Souza. n.d. “O Uso de Dashboard Na Identificação Do Desempenho de Alunos de Matemática básica.”
Silva, João Carlos Sedraz, Rodrigo Lins Rodrigues, Jorge Luis Cavalcanti Ramos, Erik de Gouveia Zambom, and Fernando da Fonseca de Souza. 2018. “Usabilidade de Um Dashboard Destinado à Autorregulação de Estudantes Em Sala de Aula Invertida.” RENOTE-Revista Novas Tecnologias Na Educação 16 (2): 372–81.
Silva, Rafael Rocha, and João Paulo de Brito Gonçalves. n.d. “Implementação de Uma Nuvem Privada Para Uso Educacional.” IX EATI–Encontro Anual de Tecnologia Da Informação, 139.
Vaz, Juliano CT, Raphael A Dourado, Alex S Gomes, Rodrigo L Rodrigues, Tiago JDD Nogueira, and Sylvio E Freire. 2019. “Proposta de Adequação Da Arquitetura Do AVA Openredu Para Suporte a técnicas de análise Quantitativa de Dados Educacionais.” In Anais Estendidos Do XV Simpósio Brasileiro de Sistemas de Informação, 1–4. SBC.