Índice

  1. Questão 01
  2. Questão 02
  3. Questão 03
  4. Questão 04
  5. Questão 05

Questão 01

Nuvem de palavra do discurso “Eu tenho um sonho” de Martin Luther King Jr. Também plote as palavras mais frequentes.

Criando o corpus

discurso_S <- VectorSource(discurso)
corpus <- Corpus(discurso_S)

corpus
## <<SimpleCorpus>>
## Metadata:  corpus specific: 1, document level (indexed): 0
## Content:  documents: 1

Pre-processamento

corpus <- tm_map(corpus, tolower)
corpus <- tm_map(corpus, removePunctuation)
corpus <- tm_map(corpus, stripWhitespace)
corpus <- tm_map(corpus, removeWords, stopwords('portuguese'))

corpus
## <<SimpleCorpus>>
## Metadata:  corpus specific: 1, document level (indexed): 0
## Content:  documents: 1
dtm <- TermDocumentMatrix(corpus)
dtm <- as.matrix(dtm)
head(dtm)
##            Docs
## Terms       1
##   1963      1
##   abaixo    2
##   acelerar  1
##   acontecer 1
##   acreditar 3
##   adoece    1

Nuvem de palavras

wordcloud(corpus, min.freq = 1, max.words = 100,
          random.order = F, rot.per = 0.35,
          colors = brewer.pal(8, "Dark2"))

Palavras mais frequentes

fre <- sort(rowSums(dtm), decreasing = T)
head(fre)
## liberdade       dia      sino     sonho     nação     negro 
##        22        12        11        11        10        10
fre.df <- data.frame(as.list(fre), stringsAsFactors = F)
fre.df.most <- colSums(fre.df)[c(1:5)]

fre.df.most
## liberdade       dia      sino     sonho     nação 
##        22        12        11        11        10
barplot(fre.df.most, col = rainbow(10), 
        ylab = "Quantidade", 
        main = "Palavras mais frequentes no discurso 'I have a dream'")

Questão 02

Nuvem de palavra a partir dos twitters sobre Black Live Matters. Também faça uma análise de sentimentos com relação a esses twitters coletados.

Consultando Twittes

tweets <- searchTwitter("#VidasNegrasImportam", n=400, lang = "pt")

tweets <- twListToDF(tweets)

head(tweets$text)
## [1] "RT @LecaEsquerdista: Pq negros votaram no Senhor de Engenho?Nunca tive uma resposta. Negro que vota em Branco racista tem defeito no DNA. A…"    
## [2] "Sejam bem-vindos ao meu perfil. Sou contra o racismo, sou contra a LGBTQI+fobia e contra a intolerância religiosa (… https://t.co/JQoQ49gMbo"    
## [3] "RT @FerreiraMariani: \"Não fazemos cinema de senzala, fazemos cinema de quilombo\"\n\n#VidasNegrasImportam #macumbalab #tempretonosul #cinemane…"
## [4] "RT @NoticiaPreta: Um levantamento mostra quem são as maiores vítimas do novo coronavírus no país\n\n#VidasNegrasImportam \n\nhttps://t.co/WJG1D…"
## [5] "@laylarobert_a Eles: #VidasNegrasImportam  \nUfa curei o racismo"                                                                                
## [6] "RT @NoticiaPreta: A desigualdade muitas vezes não é apenas racial, é de gênero também. Mulheres negras e mães sofrem mais os impactos da pa…"

Agrupandos os tweets em um unico vetor

tweets_t <- paste(tweets$text, collapse = " ")

Pré-processamento

tweets_v <- VectorSource(tweets_t)
corpus <- Corpus(tweets_v)

corpus <- tm_map(corpus, tolower)
corpus <- tm_map(corpus, removePunctuation)
corpus <- tm_map(corpus, stripWhitespace)
corpus_ <- tm_map(corpus, removeWords, stopwords('portuguese'))

removeURL <- function(x) gsub("http[^[:space:]]*", "", x)
corpus <- tm_map(corpus, removeURL)

removeNumPunct <- function(x) gsub("[^[:alpha:][:space:]]*", "", x)
corpus <- tm_map(corpus, content_transformer(removeNumPunct))

corpus
## <<SimpleCorpus>>
## Metadata:  corpus specific: 1, document level (indexed): 0
## Content:  documents: 1

Nuvem de palavras

wordcloud(corpus, min.freq = 5, max.words = Inf, 
          random.order = F, rot.per = 0.35, 
          colors = brewer.pal(8, "Dark2"))

Análise de sentimentos

barplot(colSums(s), las = 2, 
        col = rainbow(10), ylab = "Quantidade", 
        main = "Análise de sentimento dos tweets com #VidasNegrasImportam")

Questão 03

Informe 5 equações complexas usando Latex.

  1. Relatividade: \(G_{\mu,\nu } = 8\pi G\left(T_{\mu,\nu} + \rho_{\Lambda}g_{\mu \nu } \right)\)
  2. O Cálculo: \(\int_{b}^{a}f'\left ( x \right )dx = f(b) - f(a)\)
  3. Relatividade especial: \(t' = t\tfrac{1}{\sqrt{1 - \frac{v^{2}}{c^{2}}}}\)
  4. Superfície mínima: \(A(u) = \int_{\Omega}^{}(1 + \left | \bigtriangledown u \right |^{2})^{\frac{1}{2}}dx_{1}...dx_{n}\)
  5. Teorema de Pitágoras: \(a^{2} + b^{2} = c^{2}\)

Questão 04

Mostre 2 Figuras relacionadas a ciência de dados.

  1. Primeira figura primeira-figura

  2. Segunda figura segunda-figura

Questão 05

Insira 5 referências usando o BibTex.

  • Presumed asymptomatic carrier transmission of COVID-19 (Bai et al. (2020))
  • Coronavirus disease 2019 (COVID-19): a perspective from China (Zu et al. (2020))
  • COVID-19 and cardiovascular disease (Clerkin et al. (2020))
  • COVID-19 and African Americans (Yancy (2020))
  • Coronavirus disease 2019 (COVID-19) in Italy (Livingston and Bucher (2020))

Referências

Bai, Yan, Lingsheng Yao, Tao Wei, Fei Tian, Dong-Yan Jin, Lijuan Chen, and Meiyun Wang. 2020. “Presumed Asymptomatic Carrier Transmission of Covid-19.” Jama 323 (14). American Medical Association: 1406–7.

Clerkin, Kevin J, Justin A Fried, Jayant Raikhelkar, Gabriel Sayer, Jan M Griffin, Amirali Masoumi, Sneha S Jain, et al. 2020. “COVID-19 and Cardiovascular Disease.” Circulation 141 (20). Am Heart Assoc: 1648–55.

Livingston, Edward, and Karen Bucher. 2020. “Coronavirus Disease 2019 (Covid-19) in Italy.” Jama 323 (14). American Medical Association: 1335–5.

Yancy, Clyde W. 2020. “COVID-19 and African Americans.” Jama.

Zu, Zi Yue, Meng Di Jiang, Peng Peng Xu, Wen Chen, Qian Qian Ni, Guang Ming Lu, and Long Jiang Zhang. 2020. “Coronavirus Disease 2019 (Covid-19): A Perspective from China.” Radiology. Radiological Society of North America, 200490.