Czym jest uczenie maszynowe?
![image41_3.png](https://storage.googleapis.com/media-newsinitiative/images/image41_3.original.png)
Uczenie maszynowe dla dziennikarzy. Czego uczestniczy nauczą się podczas tego kursu
![image41_3.png](https://storage.googleapis.com/media-newsinitiative/images/image41_3.original.png)
Dziennikarstwo i uczenie maszynowe
![image41_2.png](https://storage.googleapis.com/media-newsinitiative/images/image41_2.original.png)
W jaki sposób dziennikarze mogą wykorzystać uczenie maszynowe (ML) do usprawnienia swojej pracy dziennikarskiej? To pytanie będziemy rozważać podczas tego kursu.
Kurs pomoże uczestnikom rozpoznać sytuacje, w których uczenie maszynowe będzie właściwym narzędziem wspomagającym pracę dziennikarską i nauczy ich szkolenia modelu uczenia maszynowego.
Jest on kontynuacją kursu Wprowadzenie do uczenia maszynowego. Zachęcamy osoby, które nie odbyły tego kursu, do odbycia powyżej wspomnianego kursu przed rozpoczęciem niniejszego.
![image41_2.png](https://storage.googleapis.com/media-newsinitiative/images/image41_2.original.png)
Na czym polega kurs
![image31_2.png](https://storage.googleapis.com/media-newsinitiative/images/image31_2.original.png)
Wprowadzenie do uczenia maszynowego to kurs, który bada potencjał, jaki daje organizacjom prasowym uczenie maszynowe i wyjaśnia, w jaki sposób dziennikarze mogą odpowiedzialnie je wykorzystywać do poprawy jakości przekazywanych informacji.
W tym kursie pójdziemy tez o krok dalej i pokażemy, na podstawie prawdziwego przykładu, który wprowadzimy w następnej lekcji, jakie wyniki mogą osiągnąć dziennikarze stosujący uczenie maszynowe. Ten kurs jest dla każdego, kto chce dowiedzieć się, jak działa uczenie maszynowe w praktyce i jak można je wykorzystać w swoich reportażach.
Czy uczestnicy, którzy ukończą ten kurs, będą ekspertami w projektowaniu uczenia maszynowego i badaczami ds. danych? Przykro nam, ale nie. Niemniej z pewnością każdy, kto ukończy ten kurs, będzie znać zasady działania większości procesów uczenia maszyn, a także będzie w stanie prowadzić własne eksperymenty.
![image31_2.png](https://storage.googleapis.com/media-newsinitiative/images/image31_2.original.png)
Definicja uczenia maszynowego
![image21_2.png](https://storage.googleapis.com/media-newsinitiative/images/image21_2.original.png)
Zanim przejdziemy dalej, upewnijmy się, że wiemy, o czym mówimy. Czym jest uczenie maszynowe?
Uczenie maszynowe należy do zbioru technologii znanych pod wspólnym pojęciem „sztuczna inteligencja” (SI). Jak w przypadku większości terminów z dziedziny sztucznej inteligencji, nie istnieje jednoznaczna definicja uczenia maszynowego.
Upraszczając, uczenie maszyn to technologia, która odpowiada na pytania korzystając z dostarczonych danych. Bardziej formalnie dotyczy stosowania algorytmów, które uczą się schematów z danych i są w stanie wykonywać zadania bez wyraźnego zaprogramowania ich do tego celu.
Co więcej, cechą charakterystyczną systemów uczenia maszynowego jest to, że zwiększają one swoją skuteczność dzięki danym i doświadczeniu. Innymi słowy: uczą się
![image21_2.png](https://storage.googleapis.com/media-newsinitiative/images/image21_2.original.png)
Istnieją różne sposoby uczenia się
![image45_2.png](https://storage.googleapis.com/media-newsinitiative/images/image45_2.original.png)
Warto pamiętać, że istnieje wiele różnych podejść do uczenia maszynowego. Zazwyczaj różnią się one rodzajem problemów, które starają się rozwiązać, jak również rodzajem i ilością informacji zwrotnych przekazywanych przez programistę.
Ogólnie rzecz biorąc, uczenie maszynowe możemy podzielić na trzy podobszary: 1) Uczenie z nadzorem; 2) Uczenie bez nadzoru; 3) Uczenie przez wzmacnianie. Więcej informacji na temat różnic między tymi trzema kategoriami można znaleźć w kursie Wprowadzenie do uczenia maszyn.
W tym kursie będziemy koncentrować się na uczeniu z nadzorem. Oznacza to, że będziemy używać przykładów opatrzonych etykietami do uczenia algorytmu, którego zadaniem będzie automatyczne przypisanie poprawnego etykiety do każdego nowego przykładu, jaki zostanie mu przedstawiony do analizy.
![image45_2.png](https://storage.googleapis.com/media-newsinitiative/images/image45_2.original.png)
Odkrywanie potencjału uczenia maszynowego
![image47_2.png](https://storage.googleapis.com/media-newsinitiative/images/image47_2.original.png)
Teraz, po zapoznaniu się z podstawami, jesteśmy gotowi zakończyć wprowadzenie i przejść dalej.
W kolejnych dwóch lekcjach przedstawimy studium przypadku, które będzie podstawą do naszego ćwiczenia na konkretnym przykładzie dziennikarskim, a także opiszemy algorytm, który pomoże nam zrozumieć dynamikę większości procesów uczenia maszynowego.
Dalsze lekcje przyjmą formę praktycznego poradnika opisującego poszczególne czynności krok po kroku: dowiemy się, jak pozyskiwać i przygotowywać dane, jak szkolić model uczenia maszynowego, a także jak testować i oceniać jego efektywność.
Ostatnia lekcja będzie stanowiła podsumowanie najważniejszych koncepcji i pomoże rozumieć, jak stosować je w codziennej pracy dziennikarskiej. Polecimy tu również więcej zasobów, które będą przydatne w dalszym zgłębianiu świata uczenia maszynowego.
![image47_2.png](https://storage.googleapis.com/media-newsinitiative/images/image47_2.original.png)
-
Studio danych: Tworzenie interaktywnych wizualizacji danych
LekcjaOżyw swoje zbiory danych, tworząc efektowne interaktywne wizualizacje za pomocą prostego w użyciu studia. -
-