Newsroom Automation and Robotic Processes

2019/2020

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

Institute of Media

Course type:

Elective course

When:

2 year, 3 module

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

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

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

• 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

• Посещаемость
• Итоговый проект

Промежуточная аттестация

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

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