• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2019/2020

Искусственный интеллект в медиапланировании

Статус: Курс по выбору (Коммуникации, основанные на данных)
Направление: 42.04.01. Реклама и связи с общественностью
Когда читается: 1-й курс, 4 модуль
Формат изучения: Full time
Преподаватели: Попов Марк Раилевич
Прогр. обучения: Коммуникации, основанные на данных
Язык: русский
Кредиты: 4

Программа дисциплины

Аннотация

В результате успешного освоения курса студенты будут: • знать ключевые векторы развития медиаиндустрии; основных поставщиков ПО, обучающих данных и участников экосистемы искусственного интеллекта; ключевые принципы работы рекомендательных сервисов, систем реального времени и искусственного интеллекта; • уметь использовать современные технологии для медиапланирования и управления рекламными кампаниями; • владеть навыками работы с обучающими данными; навыками анализа применимости тех или иных алгоритмов для решения задач формирования персональных рекомендаций.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью освоения дисциплины "Искусственный интеллект в медиапланировании" являются обучение студентов знаниям в области искусственного интеллекта и навыкам использования современных инструментов и технологий для медиапланирования и управления рекламными кампаниями.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знает ключевые векторы развития медиаиндустрии, как искусственный интеллект и большие данные создают новый ландшафт медиакоммуникаций; основных поставщиков ПО, обучающих данных и участников экосистемы искусственного интеллекта. Понимает основные принципы работы искусственного интеллекта, знает основные отличия от методов математической статистики и традиционных подходов к анализу и прогнозированию.
  • Владеет навыками работы с обучающими данными, понимает, где и как можно собрать данные, какие открытые источники данных существуют, как выбрать подходящие данные из открытых источников, в каком объеме данные нужны для решения конкретной задачи. Понимает основные принципы передачи знаний, знает, где можно взять предобученную модель и как адаптировать к своим задачам.
  • Понимает основные принципы работы рекомендательных сервисов, владеет навыками анализа применимости тех или иных алгоритмов для решения задач формирования персональных рекомендаций.
  • Понимает основные принципы работы систем реального времени. Использует менные технологии для медиапланирования и управления рекламными кампаниями.
  • Владеет инструментами извлечения знаний из медиаконтента для задач рекламодателей.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение в теоретическую часть и базовые определения
    История возникновения искусственного интеллекта и принципы его работы. Обзор основных видов архитектур нейронных сетей и практические примеры решаемых задач. Обзор экосистемы технологий искусственного интеллекта: основные поставщики и продукты. Ключевые отличия от традиционных технологий прогнозирования.
  • Обучающие данные и передача знаний.
    Сбор и подготовка данных для обучения и проверки моделей. Обзор открытых и коммерческих источников внешних данных. Претренированные модели как инструмент передачи концентрированных знаний.
  • Рекомендательные системы и прогнозирование потребления.
    Обзор существующих технологии и инструментов. Новый подход к анализу потребительских предпочтений, тенденция персонализации потребления. Разбор и анализ бизнес-кейсов.
  • ТВ-программатик. Прогнозирования TV рейтингов. Медиапланирование в режиме реального времени.
    Цели и задачи прогнозирования медиапотребления. Обзор традиционных подходов к решению задачи. Применение новых технологии для решения задач прогнозирования. Медиапланирование TV кампаний. Планирование в режиме реального времени, автоматизация процесса принятия решений для рекламодателя. Разбор и анализ бизнес-кейса.
  • Актуальные тренды развития.
    Новые возможности по извлечению знаний из медиа контента. Примеры применения. Разбор и анализ бизнес-кейса.
Элементы контроля

Элементы контроля

  • неблокирующий Аудиторная работа
  • неблокирующий Домашнее задание № 1
  • неблокирующий Домашнее задание № 2
  • неблокирующий Групповой проект
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (4 модуль)
    0.2 * Аудиторная работа + 0.5 * Групповой проект + 0.15 * Домашнее задание № 1 + 0.15 * Домашнее задание № 2
Список литературы

Список литературы

Рекомендуемая основная литература

  • Manouselis, N., Drachsler, H., Verbert, K., Duval, E. Recommender Systems for Learning. – Springer, 2013. – ЭБС Books 24x7.

Рекомендуемая дополнительная литература

  • Deep learning, Goodfellow, I., Bengio, Y., 2016