Рассчитываем контекстную близость слов с помощью библиотеки Word2vec
ДАННОЕ СООБЩЕНИЕ (МАТЕРИАЛ) СОЗДАНО И (ИЛИ) РАСПРОСТРАНЕНО ИНОСТРАННЫМ СРЕДСТВОМ МАССОВОЙ ИНФОРМАЦИИ, ВЫПОЛНЯЮЩИМ ФУНКЦИИ ИНОСТРАННОГО АГЕНТА, И (ИЛИ) РОССИЙСКИМ ЮРИДИЧЕСКИМ ЛИЦОМ, ВЫПОЛНЯЮЩИМ ФУНКЦИИ ИНОСТРАННОГО АГЕНТА
____________
❗❗❗Так называемое Министерство юстиции РФ признало «Важные истории» «нежелательной организацией». Так что репост этого и любого другого нашего видео может караться штрафом, а повторный репост — уголовным делом.
Но никто не может запретить вам смотреть и думать. Поэтому подписывайтесь на наш канал, просите подписаться своих друзей и оставайтесь с нами — в это темное время выжить мы сможем только вместе.
____________
Недавно Алеся Мароховская и Катя Бонч-Осмоловская из дата-отдела «Новой газеты» решили изучить мифы вокруг мигрантов и разобраться, кто же эти мифы формирует.
Идея появилась после происшествия в Новых Ватутинках, когда четверо «уроженцев одного из государств Закавказья» напали на мужчину с ребенком. В СМИ поднялась буря — Маргарита Симоньян поругалась с Рамзаном Кадыровым, а СК возбудил дело о покушении на убийство. В итоге МВД обвинило СМИ-«иноагентов» в попытке «с одной стороны, криминализировать образ иностранца, которому он не соответствует, а с другой стороны, породить в душах коренного населения неприязнь к мигрантам».
Поэтому мы решили выяснить, какие СМИ на самом деле часто пишут о преступности мигрантов и какой образ приезжих они создают.
Для исследования Алеся и Катя использовали библиотеку для Python под названием word2vec. С ее помощью можно узнавать, какой образ в разных текстах формируется у определенного явления или группы людей.
Чтобы вы знали, как делать подобное исследование, и при желании могли его повторить, в этом видеоуроке Алеся Рассказывает о работе библиотеки.
🔹Подписаться на рассылку Мастерской «Важных историй»:
➡️ https://mailchi.mp/istories.media/workshops
🔹Telegram-канал Мастерской
➡️ https://t.me/istories_workshop
Видео Рассчитываем контекстную близость слов с помощью библиотеки Word2vec канала Мастерская Важных историй
____________
❗❗❗Так называемое Министерство юстиции РФ признало «Важные истории» «нежелательной организацией». Так что репост этого и любого другого нашего видео может караться штрафом, а повторный репост — уголовным делом.
Но никто не может запретить вам смотреть и думать. Поэтому подписывайтесь на наш канал, просите подписаться своих друзей и оставайтесь с нами — в это темное время выжить мы сможем только вместе.
____________
Недавно Алеся Мароховская и Катя Бонч-Осмоловская из дата-отдела «Новой газеты» решили изучить мифы вокруг мигрантов и разобраться, кто же эти мифы формирует.
Идея появилась после происшествия в Новых Ватутинках, когда четверо «уроженцев одного из государств Закавказья» напали на мужчину с ребенком. В СМИ поднялась буря — Маргарита Симоньян поругалась с Рамзаном Кадыровым, а СК возбудил дело о покушении на убийство. В итоге МВД обвинило СМИ-«иноагентов» в попытке «с одной стороны, криминализировать образ иностранца, которому он не соответствует, а с другой стороны, породить в душах коренного населения неприязнь к мигрантам».
Поэтому мы решили выяснить, какие СМИ на самом деле часто пишут о преступности мигрантов и какой образ приезжих они создают.
Для исследования Алеся и Катя использовали библиотеку для Python под названием word2vec. С ее помощью можно узнавать, какой образ в разных текстах формируется у определенного явления или группы людей.
Чтобы вы знали, как делать подобное исследование, и при желании могли его повторить, в этом видеоуроке Алеся Рассказывает о работе библиотеки.
🔹Подписаться на рассылку Мастерской «Важных историй»:
➡️ https://mailchi.mp/istories.media/workshops
🔹Telegram-канал Мастерской
➡️ https://t.me/istories_workshop
Видео Рассчитываем контекстную близость слов с помощью библиотеки Word2vec канала Мастерская Важных историй
Показать
Комментарии отсутствуют
Информация о видео
3 декабря 2021 г. 12:00:17
00:11:46
Другие видео канала
Система контроля версий Git. Урок 3. ВеткиУниверсальная функция для отправки запросов на сервер | робот для анализа госконтрактовКак автоматически отслеживать ошибки в коде | Робот для анализа данныхPython | Урок 5: СпискиКак сверстать таблицу с помощью HTML и CSS | Робот для анализа госконтрактовУчим робота отправлять письма нам на почту | Робот для анализа госконтрактовКак работает библиотека datetime | Робот для анализа госконтрактовКак посчитать расстояние между геокоординатамиКак безопасно работать с личными данными | Робот для анализа госконтрактовЗачем журналистам программирование?Как использовать библиотеку Requests и API сторонних сервисов | Робот для анализа госконтрактовPython | Урок 17: Библиотека Pandas, часть 3Система контроля версий Git. Урок 2. Работаем с репозиторием на Git HubPython | Урок 16: Библиотека Pandas, часть 2Python | Урок 1: Устанавливаем софт и изучаем типы данныхКак работает библиотека Jinja2 | Робот для анализа госконтрактовГеокодируем адреса c помощью Geocode by Awesome TablePython | Урок 3: Условия if, elif, elseСкрейпинг сайтов с помощью Scrapy. Часть 2 | Crawl SpiderPython | Урок 15: Библиотека Pandas, часть 1Финал! Структурируем код | Робот для анализа госконтрактов