This is the title slide for "Tarea 3 – NLP y Representación de Texto." It displays the name "Patricio Gajardo González."

Patricio Gajardo González

Source: Portada creativa: gradiente azul-violeta, cerebro digital. Patricio Gajardo González. (Fondo completo, texto blanco/azul celeste)

The slide defines the problem of automatically classifying sentiments in Twitter tweets, analyzing positive, negative, and neutral emotions. It addresses processing short, colloquial text from social media to detect user opinions using real-time NLP techniques.

Definición del Problema

• Clasificación automática de sentimientos en tweets de Twitter
• Análisis de emociones positivas, negativas y neutrales
• Procesamiento de texto corto, coloquial e informal
• Detección de opiniones de usuarios en redes sociales
• Aplicación de técnicas NLP para datos en tiempo real

Source: Presentación final 'Tarea 3 – NLP y Representación de Texto – Patricio Gajardo González'

The slide describes the Airline Sentiment Analysis dataset from Kaggle, featuring airline reviews posted on Twitter. These reviews are classified as neutral, positive, or negative, making the dataset ideal for text sentiment analysis.

Descripción del Dataset

• Dataset Airline Sentiment Analysis de Kaggle.
• Reseñas de aerolíneas publicadas en Twitter.
• Clasificado en neutral, positivo y negativo.
• Ideal para análisis de sentimientos en texto.

Source: Airline Sentiment Analysis (Kaggle)

This slide justifies the airline tweets dataset for NLP tasks, emphasizing its suitability for TF-IDF due to short texts enabling effective bag-of-words without excessive sparsity and fast vectorization of 14k samples. It also highlights semantic richness via embeddings, slang handling, LSTM sequential modeling, and BERT's strong transferability to aerial sentiment analysis.

Justificación del Dataset

{ "features": [ { "icon": "📊", "heading": "Ideal para TF-IDF", "description": "Tweets cortos permiten representación bag-of-words efectiva sin sparsidad excesiva." }, { "icon": "⚡", "heading": "Vectorización Rápida", "description": "TF-IDF procesa rápidamente las 14k muestras para baselines eficientes." }, { "icon": "🔗", "heading": "Riqueza Semántica", "description": "Embeddings capturan matices en quejas de aerolíneas y sentimientos específicos." }, { "icon": "🌐", "heading": "Manejo de Slang", "description": "Vectores contextuales gestionan sinónimos y lenguaje informal de tweets." }, { "icon": "🧠", "heading": "Modelado Secuencial", "description": "LSTM captura dependencias en secuencias variables de tweets reales." }, { "icon": "🤖", "heading": "BERT Transferible", "description": "BERT preentrenado se adapta bien al dominio de sentimientos aéreos." } ] }

This slide details compatibility with NLP architectures like TF-IDF (bag-of-words term frequency), Word2Vec/GloVe (static semantic embeddings), LSTM (sequential processing with memory), and BERT (bidirectional contextual embeddings). It is ideal for sentiment classification on short tweets.

Compatibilidad con las Arquitecturas

• TF-IDF: representación bag-of-words para frecuencia de términos
• Embeddings Word2Vec/GloVe: vectores por similitud semántica estática
• LSTM: procesamiento secuencial con memoria de dependencias
• BERT: embeddings contextuales bidireccionales para comprensión profunda
• Ideal para clasificación de sentimiento en tweets cortos

Source: Presentación final 'Tarea 3 – NLP y Representación de Texto – Patricio Gajardo González'