Κύκλος Μαθημάτων ΕΔΔΕ

Κύκλος Mαθημάτων ΕΔΔΕ

Η Επιστήμη των Δεδομένων στη Δημοσιογραφία και την Επικοινωνία

Ο κύκλος μαθημάτων με αντικείμενο την επιστήμη των δεδομένων στην επικοινωνία και τη δημοσιογραφία προσπαθεί να καλύψει ένα σημαντικό κενό στο εκπαιδευτικό τοπίο, εστιάζοντας στην προετοιμασία των δημοσιογράφων και των επιστημόνων της επικοινωνίας σε νέες δεξιότητες χρήσης σύγχρονων αλγοριθμικών και υπολογιστικών τεχνικών με σκοπό την άντληση, επεξεργασία και ανάλυση ενός μεγάλου αριθμού δεδομένων που πολλές φορές είναι διαθέσιμα στο διαδίκτυο.

Ο κύκλος μαθημάτων αποβλέπει στο να εκπαιδεύσει στελέχη της επικοινωνίας και της δημοσιογραφίας ως επιστήμονες δεδομένων (data scientists) δίνοντάς τους ένα ισχυρό θεωρητικό και πρακτικό υπόβαθρο καθώς και υπολογιστικές δεξιότητες ώστε να διαχειριστούν μεγάλα δεδομένα και να ανακαλύψουν κρυμμένη πληροφορία και γνώση που θα τους οδηγήσει στη δημιουργία ιστοριών, στην κατανόηση συμπεριφορών, στην εξόρυξη απόψεων, στην ανάλυση συναισθήματος, στην κατανόηση τάσεων και αγοραστικών προτιμήσεων με εφαρμογές στη δημοσιογραφία, το ποσοτικό μάρκετινγκ, τις δημοσκοπήσεις κ.ά.

Ο κύκλος μαθημάτων αυτός αποτελεί ίσως τη μοναδική προσπάθεια σε μεταπτυχιακό επίπεδο με αντικείμενο τη διδασκαλία των υπολογιστικών τεχνικών, του προγραμματισμού και της διαχείρισης πολύ μεγάλων δεδομένων στη δημοσιογραφία και την επικοινωνία, ενώ συνδυάζει την πρόσφατη επιστήμη των δεδομένων με τις κοινωνικές επιστήμες και τη δημοσιογραφία.

 

ΕΔΔΕ.1 Μεθοδολογία Σχεδιασμού Αλληλεπιδραστικών Συστημάτων

Στο μάθημα παρουσιάζεται η μεθοδολογία χρηστοκεντρικού σχεδιασμού που μπορεί να χρησιμοποιηθεί στην ανάπτυξη οπουδήποτε ψηφιακού περιβάλλοντος αλληλεπίδρασης. Τα νέα αυτά περιβάλλοντα πρέπει να σχεδιάζονται με κανόνες οι οποίοι κατοχυρώνουν την ευχρηστία, μειώνουν την πολυπλοκότητα, υποστηρίζουν αυξημένα επίπεδα αλληλεπίδρασης, προσαρμόζονται στις ιδιαιτερότητες και τις προτιμήσεις του κάθε χρήστη, εξασφαλίζουν φιλικότητα χρήσης και εργονομία, καθώς και ανθρωποκεντρικό σχεδιασμό, ώστε να αποφεύγεται ο αποπροσανατολισμός και η δυσχέρεια στην πλοήγηση των χρηστών μέσα στο περιβάλλον διάδρασης. Παρουσιάζεται το πρώτο στάδιο της ανάλυσης κατά το οποίο αποφασίζεται ο σκοπός, το κοινό, το περιεχόμενο και το χρονοδιάγραμμα υλοποίησης ενός τέτοιου περιβάλλοντος. Ακολουθεί το στάδιο του σχεδιασμού όπου καθορίζεται το είδος και ο βαθμός της διάδρασης, η πλοήγηση και η αισθητική του περιβάλλοντος αλληλεπίδρασης. Στο επόμενο στάδιο της παραγωγής πραγματοποιείται η υλοποίηση πρωτοτύπων του περιβάλλοντος διάδρασης κάνοντας χρήση ειδικού λογισμικού. Στα πλαίσια του μαθήματος ειδικά εργαστηριακά μαθήματα είναι αφιερωμένα στην χρήση των εργαλείων αυτών. Στο τελευταίο στάδιο της αξιολόγησης αναφέρονται τρόποι αξιολόγησης ενός ψηφιακού περιβάλλοντος διάδρασης ελέγχοντας αρχικά την τεχνική αρτιότητα του περιβάλλοντος αλλά κυρίως την χρηστικότητά του και τον βαθμό αποδοχής του τελικού χρήστη μέσω τεχνικών συνεντεύξεων, ερωτηματολογίων, ποιοτικών και ποσοτικών μετρήσεων.

 

ΕΔΔΕ.2 Ανάλυση Μεγάλων Δεδομένων μέσω της Γλώσσας Python

Κατά τη διάρκεια του μαθήματος δίνεται αρχικά μια εισαγωγή στη γλώσσα προγραμματισμού Python, ώστε να δημιουργηθεί η βάση από την οποία θα εξαρτηθούν οι επόμενες ενότητες προγραμματισμού και κωδικοποίησης . Μη‐δομημένα σύνολα δεδομένων πραγματικού κόσμου καθαρίζονται, αναλύονται και υποβάλλονται σε επεξεργασία, αναδεικνύοντας σύγχρονα δημοσιογραφικά έργα. Οι συμμετέχοντες εξοικειώνονται με μια ποικιλία μορφών δεδομένων και με μεθόδους αποθήκευσης, πρόσβασης και επεξεργασίας πληροφοριών, όπως για παράδειγμα έγγραφα που διαχωρίζονται με κόμματα, αλληλεπίδραση με API ιστοτόπων και JSON, βιβλιοθήκες εγγράφων, κανονικές εκφράσεις, εξόρυξη κειμένου, βάσεις δεδομένων SQL και πολλά άλλα. Οι συμμετέχοντες ασχολούνται επίσης με λιγότερο προσβάσιμα δεδομένα, δημιουργώντας scrapers ιστού και μετατρέποντας τα δύσκολα στη χρήση αρχεία PDF σε χρήσιμες πληροφορίες. Το μάθημα επίσης συμπεριλαμβάνει βασικές αρχές οπτικοποίησης και απεικόνισης δεδομένων μέσω δημιουργίας γραφημάτων, καθώς και την αξιοποίηση από τους συμμετέχοντες γνωστών εργαλείων όπως το Google και το StackOverflow, για την επίλυση προβλημάτων προγραμματισμού. Τελικό στόχο του μαθήματος αποτελεί η εξοικείωση των συμμετεχόντων με τον προγραμματισμό και την επεξεργασία (μεγάλων) δεδομένων, και προς τούτο παρουσιάζονται ενότητες και εργαλεία που περιλαμβάνουν τα επόμενα: Python, βασική στατιστική ανάλυση, HTML, CSVs, APIs, SQL, APIs, CSVs,κανονικές εκφράσεις, PDF processing, pandas, Python, HTML, BeautifulSoup, Jupyter/IPython Notebooks, git/GitHub, StackOverflow, data cleaning, command line tools και άλλα.

 

ΕΔΔΕ.3 Αλγόριθμοι Μηχανικής Μάθησης στην Κατανόηση και Επεξεργασία Δεδομένων

Η μηχανική μάθηση και η επιστήμη των δεδομένων αποτελούν αναπόσπαστο μέρος της επεξεργασίας και κατανόησης μεγάλων συνόλων δεδομένων. Οι αλγόριθμοι μηχανικής μάθησης μπορούν να βοηθήσουν σε πλείστες όσες σύγχρονες εφαρμογές, όπως η αναζήτηση συσχετίσεων μεταξύ ατυχημάτων ή εγκλημάτων ή σχέσεων ανθρώπων ή επιχειρήσεων, η ανάλυση συναισθημάτων ή απόψεων για πολιτικά πρόσωπα ή πολιτικές θέσεις, η ανάλυση σχολίων πελατών ή απόψεων για προϊόντα και διαφημίσεις, ή η αναζήτηση πληροφοριών σε μεγάλους όγκους εγγράφων. Στο πλαίσιο του μαθήματος, μέσω εποπτευόμενης και μη εποπτευόμενης μάθησης, οι συμμετέχοντες καλούνται να υλοποιήσουν καλές πρακτικές, να δημιουργήσουν απόψεις και να κατανοήσουν πώς μπορούν να επικεντρώνουν καλύτερα τις προσπάθειές τους για αναζήτηση πληροφορίας σε μεγάλα σύνολα δεδομένων. Το μάθημα αποσκοπεί επίσης στην ανάπτυξη κριτικής θεώρησης για τις εφαρμογές των αλγορίθμων μηχανικής μάθησης, αποκαλύπτοντας τις παγίδες και τις προκαταλήψεις που μπορεί να κρύβονται πίσω από ένα προσωπικό έργο αλλά και το έργο των άλλων. Τελικό στόχο του μαθήματος αποτελεί η ανάπτυξη δεξιοτήτων σε ζητήματα ανάλυσης δεδομένων, αναγνώρισης προτύπων και εξόρυξης γνώσης. Προς τούτο, τα περιεχόμενα του μαθήματος περιλαμβάνουν ενότητες και εργαλεία όπως γραμμική παλινδρόμηση, clustering, text mining, επεξεργασία φυσικής γλώσσας, δέντρα αποφάσεων, μηχανική μάθηση, scikit‐learn και άλλα.