옮긴이 머리말 = ⅶ
이 책에 대하여 = ⅹ
베타리더 후기 = xviii
CHAPTER 1 정돈 텍스트(깔끔한 텍스트) 형식 = 1 
  정돈 텍스트와 다른 데이터 구조 비교하기 = 2 
  unnest_tokens 함수 = 3 
  제인 오스틴의 작품 정돈하기 = 6 
  gutenbergr 패키지 = 10 
  단어 빈도 = 10 
  요약 = 16 
CHAPTER 2 정돈 데이터를 사용한 정서분석 = 17 
  정서 데이터셋 = 18 
  내부 조인을 사용한 정서분석 = 21 
  세 가지 정서 사전 비교 = 25 
  가장 흔한 긍정 단어와 부정 단어 = 28 
  워드 클라우드 = 30 
  단순한 단어 이상인 단위 보기 = 32 
  요약 = 35 
CHAPTER 3 단어와 문서의 빈도 분석 : tf-idf = 37 
  제인 오스틴의 소설 속 용어빈도 = 38 
  지프의 법칙 = 40 
  bind_tf_idf 함수 = 44 
  물리학 텍스트의 말뭉치 = 47 
  요약 = 53 
CHAPTER 4 단어 간 관계 : 엔그램과 상관 = 55 
  엔그램에 의한 토큰화 = 56 
    엔그램 개수 세기와 선별하기 = 57 
    바이그램 분석 = 59 
    정서분석 시 바이그램을 사용해 문맥 제공하기 = 62 
    ggraph를 사용해 바이그램 연결망 시각화화기 = 65 
    그 밖의 텍스트에 들어 있는 바이그램 시각화하기 = 71 
  widyr 패키지와 단어 쌍 세기 및 상관 = 73 
    각 단원 간의 개수 세기 및 상관 = 74 
    쌍 단위 상관 검사 = 76 
  요약 = 81 
CHAPTER 5 비정돈 형식 간에 변환하기 = 83 
  문서-용어 행렬 정돈하기 = 84 
    DocumentTermMatrix 객체 정돈하기 = 85 
    dfm 객체 정돈하기 = 89 
  정돈 텍스트 데이터를 행렬에 캐스팅하기 = 92 
  Corpus 객체를 메타데이터로 정돈하기 = 94 
    사례 연구 : 금융 관련 기사 마이닝 = 97 
  요약 = 104 
CHAPTER 6 토픽 모델링 = 105 
  잠재 디리클레 할당 = 106 
    단어-토픽 확률 = 108 
    문서-토픽 확률 = 111 
  예제 : 대도서관 강도 = 113 
    각 장의 LDA = 115 
    문서당 분류 = 118 
    단어별 할당 : augment = 121 
  대체 LDA 구현 = 125 
  요약 = 127 
CHAPTER 7 사례 연구 : 트위터 아카이브 비교 = 129 
  데이터 및 트위터 분포 얻기 = 129 
  단어 빈도 = 131 
  단어 용도 비교 = 135 
  단어 사용 변화 = 137 
  즐겨찾기 및 리트윗 = 143 
  요약 = 148 
CHAPTER 8 사례 연구 : NASA 메타데이터 마이닝 = 149 
  NASA가 데이터를 조직하는 방식 = 150 
    데이터 랭글링과 정돈 = 151 
    일부 초기 단순 탐사 = 154 
  단어 동시 발생과 상관 = 156 
    설명 및 제목 단어 연결망 = 156 
    중요어 연결망 = 159 
  설명 필드에 대한 tf-idf 계산 = 163 
    설명 필드 단어의 tf-idf는 무엇인가? = 163 
    설명 필드를 중요어에 연결하기 = 164 
  토픽 모델링 = 166 
    문서-용어 행렬에 캐스팅하기 = 166 
    토픽 모델링 준비 = 167 
    토픽 모델 해석 = 168 
    토픽 모델링을 중요어와 연결하기 = 175 
  요약 = 178 
CHAPTER 9 사례 연구 : 유즈넷 텍스트 분석 = 179 
  전처리 = 179 
    텍스트 전처리 = 181 
  뉴스그룹의 단어들 = 183 
    뉴스그룹 내에서 tf-idf 찾기 = 184 
    토픽 모델링 = 187 
  정서분석 = 190 
    단어별 정서분석 = 191 
    메시지별 정서분석 = 194 
    엔그램 분석 = 197 
  요약 = 199 
참고문헌 = 201 
찾아보기 = 203