Curso online ensina práticas de machine learning para jornalistas

Portal Imprensa - Notícias

Redação Portal IMPRENSA | 04/11/2019 11:07


O uso da inteligência artificial na produção de reportagens é o tema do novo curso do Centro Knight de Jornalismo nas Américas. O programa abriu inscrições para o curso online “Soluções práticas de machine learning para jornalistas”. 


As aulas serão ministradas em inglês e vão ocorrer de 18 de novembro a 15 de dezembro. O curso tem  o custo de US$ 95, valor que inclui certificação para aqueles que concluírem. 


O instrutor John Keefe explica que a partir do conhecimento sobre machine learning, os alunos poderão organizar melhor os dados de uma reportagem, como um grande número de imagens, documentos ou horas de vídeos. 


“No final deste curso, os alunos terão uma compreensão muito melhor de machine learning. Eles poderão classificar documentos, especialmente imagens, com base nos critérios que estabeleceram”, disse Keefe.


Crédito:Divulgação






Quem pode se inscrever


Este curso é aberto a qualquer pessoa interessada em soluções práticas de machine learning para encontrar, pesquisar e aprimorar seu jornalismo. As aulas não exigem experiência anterior em codificação.


 


Programa de estudos


O curso dura quatro semanas e contará com quatro módulos. 


• Módulo 1: Usando ferramentas disponíveis para imagens


Este módulo oferece experiência prática usando algumas ferramentas de machine learning. Você aprenderá a resolver problemas, como obter descrições de cada foto em uma pasta cheia de imagens, extrair o texto que aparece nessas imagens ou entender o conteúdo de uma pasta cheia de documentos. Portanto, da próxima vez que você receber uma grande quantidade de documentos, terá uma noção melhor do que está neles - mais rapidamente.



Este módulo cobrirá:


Conceitos básicos de IA adaptados a projetos de jornalismo


Introdução aos blocos de anotações do Google Colaboratory


Detecção de imagem de várias categorias com ferramentas de código aberto


Detecção de imagem de várias categorias usando o Google Vision


Desafios opcionais:


Analise seu próprio conjunto de imagens


Extrair texto detectado dentro das imagens


• Módulo 2: Criando um detector de imagem personalizado


Histórias específicas têm necessidades específicas, às vezes não são facilmente resolvidas com ferramentas gerais. Digamos que você tenha milhares de imagens tiradas por inspetores de habitação. As ferramentas gerais podem detectar detectores de fumaça, mas provavelmente não os anéis reveladores dos detectores de fumaça * ausentes *. Ou talvez você tenha muitos mapas de trajetos de helicóptero, mas deseja apenas aqueles em que os helicópteros estão circulando. Você aprenderá como tornar detectores personalizados específicos para sua investigação.



Este módulo cobrirá:


Introdução à transferência de aprendizado e fast.ai


Treinando um modelo personalizado para classificar imagens


Usando seus próprios dados e salvando seu trabalho


Discussão: Dados como imagens


Desafios opcionais:


Use este método em seu próprio conjunto de imagens


Gere “imagens de dados” a partir de um conjunto de dados que você conhece


• Módulo 3: Melhorando seu detector e detectando objetos em vídeos


Treinar um modelo de machine learning para funcionar bem é bastante direto. Conseguir que funcione ainda melhor, ou consertar problemas quando eles surgirem, exige mais trabalho. Vamos apresentar alguns dos métodos e truques para fazer seu detector funcionar ainda melhor. Também trabalharemos com a detecção de objetos em vídeos.



Este módulo cobrirá:


Localizando objetos ou cenas específicas em vídeos


Dicas e truques para melhorar a precisão do seu modelo


Desafio opcional:


Tente sua mão em mais técnicas para melhorar seu modelo


Colocando um detector de imagem na natureza para você, seus colegas ou seu público


• Módulo 4: Analisando documentos de texto


Os problemas de imagem são ótimos para o machine learning, mas muitos dos problemas mais espinhosos do jornalismo envolvem vários documentos de texto.Podemos classificar documentos em duas pilhas com base em seu conteúdo? O machine learning pode ajudar, e veremos como.



Este módulo cobrirá:


Extração de entidades usando bibliotecas de código aberto


Classificando tweets em pilhas úteis


Desafios opcionais:


Categorizar sua caixa de entrada


Usando o AI para encontrar documentos semelhantes


Como se registrar


1. Crie uma conta no sistema de cursos de jornalismo. Mesmo se você já fez um curso antes, pode ser necessário criar uma nova conta. Verifique se seu nome de usuário e senha anteriores funcionam antes de criar uma nova conta.


2. Aguarde uma confirmação no seu e-mail indicando que sua conta foi criada. Se você não receber, verifique sua pasta de spam.


3. Pague a taxa de inscrição de US$ 95. O pagamento deve ser feito somente por quem já possui uma conta no sistema de Cursos de Jornalismo. O nome de usuário e o email que você usou no sistema serão necessários quando você concluir seu pagamento.


4. Você receberá um e-mail confirmando sua inscrição e concedendo acesso ao módulo introdutório do curso.


Adicione os endereços de e-mail journalismcourses@austin.utexas.edu e filipa.rodrigues@utexas.edu ao seu catálogo de endereços para garantir que você receba e-mails sobre o curso.


 


Sobre o instrutor 


 


John Keefe é o editor de investigações do Quartz e lidera o Quartz AI Studio . Keefe também ministra aulas sobre prototipagem, design e desenvolvimento de produtos na Escola de Jornalismo Craig Newmark Graduate na CUNY e administra uma empresa de ajustes de produtos chamada Really Good Smarts LLC . Antes de ingressar na Quartz, ele foi editor sênior do Data News na estação de rádio pública WNYC, liderando uma equipe de jornalistas especializados em relatórios, codificação e design de dados para visualizações e investigações. Ele foi diretor de notícias do WNYC por quase uma década. Keefe liderou aulas e workshops na Universidade de Columbia, na Universidade de Stanford, na New School University e na New York University. Ele também atuou como inovador em residência no Reed College of Media da West Virginia University. 

Voltar