Бакалавриат 2023/2024

Инструменты и методы в коммуникационных исследованиях

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Курс обязательный (Реклама и связи с общественностью)

Направление: 42.03.01. Реклама и связи с общественностью

Кто читает: Школа коммуникаций

Где читается: Факультет креативных индустрий

Когда читается: 3-й курс, 3, 4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Глазова Лилия Ильдаровна, Сбитнев Сергей Сергеевич

Язык: русский

Кредиты: 6

Контактные часы: 102

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

• Активность
• Экзамен
  Экзамен выполняется в формате теста. Продолжительность: 30 мин.
• Домашнее задание
• Домашние задания
  Домашние работы представляют собой этапы проекта, который будет выполняться студентами по мере прохождения курса.
• Контрольная работа
  Контрольные представляют собой набор заданий, выполняемых в Python в среде Jupiter Notebook, основанных на пройденном материале.
• Активность
  Активность на занятиях: выставляется на каждом занятии за обоснованные ответы; суммарное значение может превышать 10 и тем самым отчасти компенсировать недоработки студентов по другим составляющим итоговой оценки
• Контрольная работа
  Контрольные представляют собой набор заданий, выполняемых в Python в среде Jupiter Notebook, основанных на пройденном материале.
• Экзамен
  Выполняется в формате теста с открытыми вопросами и заданиями.

Промежуточная аттестация

• 2023/2024 учебный год 4 модуль
  0.2 * Активность + 0.2 * Активность + 0.29 * Домашние задания + 0.29 * Домашние задания + 0.25 * Контрольная работа + 0.25 * Контрольная работа + 0.26 * Экзамен + 0.26 * Экзамен
• 2024/2025 учебный год 1 модуль
  0.2 * Активность + 0.2 * Активность + 0.29 * Домашнее задание + 0.29 * Домашнее задание + 0.25 * Контрольная работа + 0.25 * Контрольная работа + 0.26 * Экзамен + 0.26 * Экзамен

Авторы

• Сбитнев Сергей Сергеевич
• Мордвинова Мария Андреевна
• Коваленко Надежда Николаевна