Sentiment Analysis is an area of Computer Science that deals with the impact a document makes on a user. The very field is further sub-divided into Opinion Mining and Emotion Analysis, the latter of which is the basis for the present work. Work on songs is aimed at building affective interactive applications such as music recommendation engines. Using song lyrics, we are interested in both supervised and unsupervised analyses, each of which has its own pros and cons. For an unsupervised analysis (clustering), we use a standard probabilistic topic model called Latent Dirichlet Allocation (LDA). It mines topics from songs, which are nothing but probability distributions over the vocabulary of words. Some of the topics seem sentiment-based, motivating us to continue with this approach. We evaluate our clusters using a gold dataset collected from an apt website and get positive results. This approach would be useful in the absence of a supervisor dataset. In another part of our work, we argue the inescapable existence of supervision in terms of having to manually analyse the topics returned. Further, we have also used explicit supervision in terms of a training dataset for a classifier to learn sentiment specific classes. This analysis helps reduce dimensionality and improve classification accuracy. We get excellent dimensionality reduction using Support Vector Machines (SVM) for feature selection. For re-classification, we use the Naive Bayes Classifier (NBC) and SVM, both of which perform well. We also use Non-negative Matrix Factorization (NMF) for classification, but observe that the results coincide with those of NBC, with no exceptions. This drives us towards establishing a theoretical equivalence between the two.

Dvě pokročilé vysoce legované austenitické oceli s Fe-Ni-Cr matricí byly studovány za podmínek nízkocyklové únavy jak za pokojové tak vysoké teploty. Široká škála experimentálních a charakterizačních nástrojů byla použita ke studiu vzájemně souvisejících aspektů zahrnujících chemické složení slitin, mikrostrukturu, deformační mechanismy a celkovou odezvu materiálů na externě působící zatížení. Klíčové mechanismy a faktory definující mechanické vlastnosti a výkonnost v reálném provozu byly analyzovány a diskutovány v souvislosti s materiálovým designem. • Standardní únavové experimenty byly provedeny za pokojové teploty a teploty 700°C. Byly získány křivky cyklického zpevnění/změkčení, cyklické deformační křivky, Coffin-Manson a Wöhlerovy křivky. • Ke studiu změn mikrostrukturního stavu slitin v důsledku cyklického zatěžování za pokojové a zvýšené teploty byla použita široká škála technik charakterizace pomocí elektronové mikroskopie. • Únavové chování, pevnost a cyklická plastická odezva studovaných materiálů byla vysvětlena v souvislosti s mikrostrukturními změnami a mikrostrukturními aspekty deformačních mechanismů jak za pokojové tak za zvýšených teplot. • Bylo zjištěno, že Sanicro 25 vykazuje nejvyšší pevnostní charakteristiky ze všech materiálů stejné třídy. Výjimečné vlastnosti této slitiny jsou spojeny s populacemi dvou typů nanočástic, koherentními precipitáty bohatými na měď a nanočásticemi typu MX s charakteristikou disperzoidu. Tyto nanočástice mají klíčový vliv na pevnost a celkovou cyklickou odezvu. V důsledku interakcí s precipitáty způsobujících zachytávání je pohyb dislokací v Sanicro 25 významně zpomalen, což vede k potlačení normálních procesů zotavení obvykle vedoucích ke změně uspořádání dislokační struktury tak, aby byla celková vnitřní energie systému co nejnižší. Takové uspořádání je tvořeno například dislokačními buňkami. Jelikož jsou procesy zotavení potlačeny, dislokační struktura za vysokých teplot je charakteristická homogenní distribucí dislokací o vysoké hustotě s velkou mírou vzájemných interakcí. V kombinaci s dalšími mechanismy zpevnění jako jsou precipitáty a substituční prvky v tuhém roztoku, tyto deformační mechanismy vedou k významnému zvýšení cyklické pevnosti za vysokých teplot.