Научно-исследовательский семинар

Магистратура 2021/2022

Статус: Курс обязательный (Журналистика данных)

Направление: 42.04.02. Журналистика

Кто читает: Институт медиа

Где читается: Факультет креативных индустрий

Когда читается: 2-й курс, 1-3 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Бобринская Мария Алексеевна, Нестеренко Любовь Владимировна, Прохоров Артем Вячеславович

Прогр. обучения: Журналистика данных

Язык: русский

Кредиты: 12

Контактные часы: 120

Полная версия программы учебной дисциплины

Аннотация

Научно-исследовательский семинар изучает научные методы работы в сфере журналистики данных, подробно останавливаясь на изучении и использовании пространственных данных, сетевом анализе, компьютерной лингвистике, а также научных методах исследования, академическом письме и мастерстве представления академического исследования, практики прикладного использования его результатов.

Цель освоения дисциплины

Обучение студентов с теоретическими основами цифрового картографирования и практическими навыками работы с пространственными данными,использования геоинформационных систем, визуализации и картографического дизайна
Рассмотрение методов компьютерной лингвистики, применяемых при обработке текстов в предметно-ориентированных информационных системах.
Изучаются виды используемых лингвистических ресурсов и методы их разработки.
Рассматриваются задачи автоматического аннотирования тестов, рубрикации и кластеризации текстов, извлечения информации из текстов.
Дать студентам базовые знания об источниках, методах сбора и нормализации пространственных данных.
Познакомить студентов с вариантами визуализации географической информации в статическом и интерактивном форматах.
Научить студентов практическим навыкам первичного ГИС-анализа и интерпретации результатов.
Научить студентов создавать собственные картографические произведения в веб.

Планируемые результаты обучения

Владеет методами представления результатов проекта в области сетевого анализа
Владеет навыками моделирования случайных графов для тестирования статистических гипотез на структурных данных
Умеет находить структурно схожие элементы и меры схожести в структурной информации
Умеет обнаруживать сообщества в сетях, владеет методами кластеризации на графах
Визуализирует атрибутивную информацию пространственных данных
Владеет методами машинного обучения для структурной модели графа
Владеет методами машинного обучения для структурной модели графа с учетом текстовых эмбеддингов
Владеет навыками логико-лингвистического моделирования предметной области с использованием стандартов и инструментальных средств, поддерживающих разработку лингвистического обеспечения информационной системы для конкретной предметной области
Владеет навыками оценки качества систем автоматической обработки текста
Владеет навыками текстового анализа при помощи инструментов и библиотек Python
Владеет терминологией в области картографии и ГИС
Выбирает виды и источники данных в зависимости от задач
Выбирает нужные параметры проекций и систем координат
Делит большие задачи на мелкие подзадачи
Демонстрирует общие знания об области применения анализа социальный сетей и программных средствам для работы с графами
Знает инструменты и библиотеки Python для компьютерной лингвистики
Знает модели распространения влияния. Умеет прогнозировать достижение равновесия в сетевой модели на основе Марковских процессов в сетях
Знает основные подходы к решению задач компьютерной лингвистики
Знает основные приложения автоматической обработки текстов, используемые в пред-метно-ориентированных информационных системах
Знает понятие центральности как меры ранжирования вершин в графе на основе структурной информации
Знает понятия центральности и престижа как мер ранжирования вершин, взаимовлияние в ориентированных сетях
Знает статистические особенности реальных сетей, основные отличия реальных сетей от модельных данных
Извлекает сущности из текста
Использует инструменты пространственного анализа
Ориентируется в задачах автоматической обработки текста
Оценивает работу систем автоматической обработки текста
Применяет специализированные библиотеки Python для задач автоматической обработки текста
Решает задачи предобработки текста с использованием приёмом программирования на Python
Создает законченный проект на основе пространственных данных
Создает слои данных, оценивает качество данных, работает с проектами
Умеет использовать информационные каскады как модель сетевого маркетинга и оценивать успешность сетевого маркетинга
Умеет моделировать распространение информации. Понимает сущность понятия эпидемии в информационном поле
Умеет строить модель классификации элементов сети, выявлять агентов влияния, осуществлять количественные предсказания на основе временных динамических графов
Умеет строить рекомендации связей между элементами сети, владеет методами детектирования фрода в сетях
знать основы картографии и геоинформатики
применять инструменты визуализации пространственных данных
производить сбор и обработку пространственных данных и интегрировать собранную информацию в единую карту
получить навыки оформления и дизайна графического материала

Содержание учебной дисциплины

Начало работы с общедоступными платформами ГИС. Ресурсы
Математические основы картографии
Виды пространственных данных
Работа с данными в ГИС, создание слоев и проектов
Аналитические инструменты работы с данными
Визуализация данных, дизайн карт
Практическая работа: ГИС проект
Введение в сетевой анализ
Описательные статистики реальных сетей
Модели формирования сети
Меры влияния агентов в неориентированных сетях
Меры влияния агентов в ориентированных сетях
Структурная эквивалентность
Сообщества в социальных сетях
Распространение и эпидемии в сетях
Распространение инноваций и информационные каскады
Распространение влияния и консенсус в социальных сетях
Векторные модели сетей без атрибутов
Векторные модели сетей с текстовыми атрибутами
Предсказание связей и рекомендации в сетях
Классификация сетевых данных и графовые нейронные сети
Знакомство с компьютерной линвгистикой
Регулярные выражения, tokenization etc.
Частотные списки, мера TF-IDF. Извлечение ключевых слов, алгоритм RAKE
Векторизация текстов, векторная семантика. Bag of Words, word2vec, ресурс RusVectores.
Автоматическая классификация документов
Text Mining
Сетевой анализ

Элементы контроля

Посещаемость 1 модуля
Выполнение заданий на семинарах 1 модуля
Финальный проект по итогам 1 модуля
Активность на занятиях и выполнение домашних заданий 3 модуля
Финальный проект 3 модуля
Посещение занятий и выполнение заданий 2 модуля
Основной формой работы на семинарах является программирование в IPython Notebook. Формы работы и критерии оценивания на каждом конкретном семинаре преподаватель озвучивает студентам.
Проект 1
Проект 2

Промежуточная аттестация

2021/2022 учебный год 2 модуль
0.1 * Активность на занятиях и выполнение домашних заданий 3 модуля + 0.2 * Выполнение заданий на семинарах 1 модуля + 0.05 * Посещаемость 1 модуля + 0.25 * Финальный проект по итогам 1 модуля + 0.25 * Посещение занятий и выполнение заданий 2 модуля + 0.15 * Финальный проект 3 модуля
2021/2022 учебный год 3 модуль
0.7 * 2021/2022 учебный год 2 модуль + 0.21 * Посещаемость 1 модуля + 0.09 * Выполнение заданий на семинарах 1 модуля

Программа дисциплины