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

Автоматизация ньюсрума и роботизированные процессы

Статус: Курс по выбору (Журналистика данных)
Направление: 42.04.02. Журналистика
Когда читается: 2-й курс, 3 модуль
Формат изучения: без онлайн-курса
Прогр. обучения: Журналистика данных
Язык: русский
Кредиты: 3

Программа дисциплины

Аннотация

Курс является адаптивным и направлен на изучение студентами современных инструментов и методов автоматизации процессов редакции. В ходе курса рассматриваются как методы роботизации рутинных задач на основе скриптов, так и более гибкие решения на основе нейронных сетей. Студенты получат обзор применяемых на практике алгоритмов и научатся разрабатывать и внедрять процессы автоматизации начиная от варки данных для журналистских расследований до маркетинга и дистрибуции.
Цель освоения дисциплины

Цель освоения дисциплины

  • Приобретение общего понимания о методах и инструментах автоматизациии работы современной редакции, и навыков по их применению
Планируемые результаты обучения

Планируемые результаты обучения

  • Понимает, когда и где уместно автоматизировать рутинные процессы
  • Использует фреймворки для построения нейронных сетей
  • Работает с большими данными
  • Конструирует нейронные сети для решения задач классификации, регрессии и прогнозирования временных рядов
  • Реализует наиболее распространенный архитектуры нейронных сетей на Python
  • Владеет библиотеками Pandas и Numpy для обработки данных
  • Владеет библиотекой для глубокого обучения Keras
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение в дисциплину
    «Робо-журналистика», в первую очередь, автоматизация рутинных процессов в редакции, и в последнюю, алгоритм, который пишет новости.
  • Роботы-дистрибьюторы: smm, автоматические рекомендации, дистрибуция и трафикогенерация
    Механики работы и взлома алгоритмов «умных лент» социальных сетей и новостных агрегаторов, автоматизация дистрибуции и роботы-мониторы трафика
  • Глубокое обучение
    Введение в глубокое обучение. Анатомия нейронных сетей. Библиотеки глубокого обучения. Наиболее распространённые архитектуры нейронных сетей. Задачи решаемые глубоким обучением.
  • Классификация
    Применение методов глубокого обучения для решения задач бинарной и многоклассовой классификации. Классификация текстовых данных. Примеры практических кейсов.
  • Регрессия
    Применение методов глубокого обучения для решения задач регрессии. Прогнозирование временных рядов.
Элементы контроля

Элементы контроля

  • неблокирующий Посещаемость
  • неблокирующий Итоговый проект
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (3 модуль)
    0.7 * Итоговый проект + 0.3 * Посещаемость
Список литературы

Список литературы

Рекомендуемая основная литература

  • Dörr, K. (2016). Mapping the field of Algorithmic Journalism. https://doi.org/10.5167/uzh-114298
  • Guide to Automated Journalism. (2016). Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.528FFA7

Рекомендуемая дополнительная литература

  • Миркин Б. Г.-ВВЕДЕНИЕ В АНАЛИЗ ДАННЫХ. Учебник и практикум-М.:Издательство Юрайт,2019-174-Авторский учебник-978-5-9916-5009-0: -Текст электронный // ЭБС Юрайт - https://biblio-online.ru/book/vvedenie-v-analiz-dannyh-432851