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.

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.

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

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.

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.