Delivered at:: School of Communication

Course type:: Compulsory course

When:: 4 year, 1 module

Instructor

Сбитнев Сергей Сергеевич

Полная версия программы учебной 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

Bachelor’s Programme 'Advertising and Public Relations'

Instruments and Methods in Communication Research