Инструменты и методы в коммуникационных исследованиях

2022/2023

Учебный год

RUS

Обучение ведется на русском языке

2

Кредиты

Кто читает:

Школа коммуникаций

Статус:

Курс обязательный

Когда читается:

4-й курс, 1 модуль

Преподаватель

Хапаева Наталья Михайловна

Программа дисциплины

Аннотация

Основной курс специализации «Исследования в коммуникациях» посвящен применению современных методов обработки количественных данных для целей коммуникационного исследования. Цель данного курса – обеспечить студентов необходимыми навыками и умениями для работы с эмпирическими данными, обобщения полученных результатов и создания уникальных коммуникационных продуктов на основании исследования. В результате освоения дисциплины студенты смогут применять методы статистики и машинного обучения к методологии количественного коммуникационного исследования, формулировать выводы на основании данных и принимать решения, исходя из результатов исследования. Работа в рамках курса строится вокруг освоения методов и подходов, применения их и разбора сопряженных с данными методами и подходами кейсов. Курс сочетает в себе лучшие практики аналитической работы, анализа больших данных и основы дата-ориентированных коммуникаций, что является приоритетным направлением в индустрии сегодня.

Цель освоения дисциплины

• формирование профессиональных компетенций по работе с данными, используя язык программирования Python
• формирование профессиональных компетенций для проведения социологических, маркетинговых и коммуникационных исследований в сфере рекламы и PR.

Планируемые результаты обучения

• Собирать данные с помощью web-scraping, парсить данные и сохранять их в табличном виде
• Владеет методами анализа: линейная регрессия, регрессионные деревья, случайный лес
• Владение методами сегментации на основе анализа данных: кластеризация, анализ текстов, тематическое моделирование, LDA.
• Умеет применять нейронные сети для решения задач
• Знает основные стадии ведения проекта машинного обучения; умеет распозанавать задачи машинного обучения в реальных бизнес-задачах; имеет навыки оценки качества и интерпретации полученных результатов
• Знать: основные методы классификации данных такие как линейная и логистическая регрессия, метод поддерживающих векторов, метод к ближайших соседей, деревья принятия решений, случайный лес; методы оценки качества классификации.
• Владеет терминологией, обладает базовыми знаниями о нейронные сетях как виде распределенных информационных систем. Знает принципы построения нейронных сетей. Умеет применять нейронные сети в научных и практических целях.
• Осуществляет анализ текстовой информации с использованием технологии Text Mining
• Демонстрирует знание специальных видов нейронных сетей: рекуррентные, сверточные, глубокие сети для обработки текстов (распределенные представления слов и рекурсивные нейронные сети)
• Владеет библиотеками Pandas и Numpy для обработки данных
• Знать особенности работы с современными дистрибутивами Python
• Владеет методами кластеризации данных
• Знает основные понятия и постановки задач машинного обучения
• Умеет выполнять кластеризацию и визуализацию данных
• Владеет понятием алгоритмов на больших данных (кластеризация, понижение размерности, популярные предметные наборы и ассоциативные правила)
• Владеет понятием алгоритмов на больших данных (рекомендательные системы и интернет-реклама)
• Владеет понятиями: объединения моделей; усреднение, бутстрап, бэггинг; бустинг: AdaBoost. Знает алгоритм Random Forest.
• Владеет понятием линейной регрессии; лассо-регрессии; гребневой регрессии. Знает ошибки модели в задачах регрессии. Владеет понятием метрик качества.
• Владеет методом кластеризации для анализа аудитории с помощью библиотек Python.
• Умеет извлекать (парсить) данные с веб-ресурсов, используя пакеты для Python. Владеет базовыми навыками работы с SQL. Умеет проверять качество данных.
• Владеет основными методами ручного и машинного анализа текстовых данных.
• Владеет основными принципами кодирования текстовых данных.
• Сравнивать задачи классификации и задачи регрессии. Иллюстрировать задачи классификации (бинарной и множественной). Сравнивать наиболее известные классификаторы (логистическая регрессия, деревья решений, случайный лес, метод опорных векторов).
• Владеет метриками качества линейной регрессии: MSE, MAE, R2.
• Владеет основами коммуникационных исследований

Содержание учебной дисциплины

• Основы коммуникационных исследований
• Язык программирования Python как интрумент коммуникационных исследований
• Обработка данных в Python с использованием библиотеки Pandas
• Автоматизированный сбор данных с использованием инструментов парсинга
• Статистика для обработки данных
• Обработка текстовых данных средствами и инструментами Python
• Методы машинного обучения для коммуникационного исследования
• Предсказание
• Классификация
• Основы работы с неструктурированными данными
• Бэггинг и бустинг
• Сегментация
• Анализ сетевых структур
• Введение в нейронные сети
• Рекомендательные системы для коммуникационных задач

Элементы контроля

• Домашние задания
  Домашнее задание представляет собой набор инструкций и задач по работе с данными с использованием языка программирования в Python. Инструкции к каждому домашнему заданию высылаются преподавателем как минимум за 7 дней до предполагаемого срока сдачи работы. При загрузке файлов студент обязан указать корректно свои фамилию и имя. Оценка за домашние задания не подлежит пересдаче, так как данная форма контроля по факту состоит из нескольких форм контроля. В результате, оценка за домашние задания выставляется как среднее арифметическое оценок за все домашние задания, предусмотренные на курсе.
• Контрольная работа
  Контрольная работа проходит в письменном виде и представляет собой набор открытых и закрытых тестовых вопросов. На выполнение работы студенту отводится 120 минут. Оценка выставляется пропорционально проценту правильных ответов от всех вопросов в тесте.
• Итоговый проект
  Выполнение студентами этапов проекта предусмотрено на протяжении всего курса. Итоговый проект выполняется строго в группах 2-4 человека. Проект состоит из двух частей - ipynb-файл с содержанием проекта (вес в оценке за итоговый проект: 80%) и презентация основных результатов и степени достижения целей проекта в любом формате (вес в оценке за итоговый проект: 20%).
• Экзамен
  Оценка достижения студентами планируемых результатов обучения в рамках данного курса проходит в форме сдачи итогового экзамена. Экзамен проходит в письменной форме; его продолжительность - 240 минут. Экзамен состоит из двух частей, где в первой части студент в свободной форме письменно отвечает на любые два из трех вопросов в билете, а затем - выполняет практическое задание по анализу данных с использование Python. Обе части имеют равный вес в итоговой оценке за экзамен.
• Проект
• Домашние задания
• Активность

Промежуточная аттестация

• 2021/2022 учебный год 4 модуль
  0.2 * Итоговый проект + 0.2 * Домашние задания + 0.3 * Экзамен + 0.1 * Контрольная работа
• 2022/2023 учебный год 1 модуль
  0.4 * Домашние задания + 0.5 * Проект + 0.1 * Активность