Social network analysis
A.A. 2019/2020
Obiettivi formativi
The learning objective of the course is provide students with the main concepts, methods and algorithms of social network analysis.
Risultati apprendimento attesi
At the end of the course students will be able to design and carry out large-scale social network analysis studies.
Periodo: Primo trimestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Primo trimestre
Prerequisiti
E' richiesta la conoscenza delle nozioni fondamentali di matematica discreta, matematica del continuo, statistica e programmazione.
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consiste di una prova orale, che verte sugli argomenti trattati durante l'insegnamento.
Al termine della prova orale viene formulata la valutazione complessiva, espressa in trentesimi, tenendo conto dei seguenti parametri: grado di conoscenza degli argomenti, capacità di applicare le conoscenze alla risoluzione di problemi concreti, capacità di ragionamento critico, chiarezza espositiva e proprietà di linguaggio.
Al termine della prova orale viene formulata la valutazione complessiva, espressa in trentesimi, tenendo conto dei seguenti parametri: grado di conoscenza degli argomenti, capacità di applicare le conoscenze alla risoluzione di problemi concreti, capacità di ragionamento critico, chiarezza espositiva e proprietà di linguaggio.
Unit 1
Programma
Anatomia di un motore di ricerca e tecniche di indicizzazione.
Raccolta di informazioni: problemi algoritmici, tecnici e sociali nella creazione di crawler.
Strategie di visita a confronto.
Struttura globale del web e strumenti algoritmici per la sua analisi.
Crawler paralleli e distribuiti. Tecniche di hashing coerente.
Centralità di reti: vicinanza, centralità armonica, Katz, PageRank, autovettore dominante, ecc.
Raccolta di informazioni: problemi algoritmici, tecnici e sociali nella creazione di crawler.
Strategie di visita a confronto.
Struttura globale del web e strumenti algoritmici per la sua analisi.
Crawler paralleli e distribuiti. Tecniche di hashing coerente.
Centralità di reti: vicinanza, centralità armonica, Katz, PageRank, autovettore dominante, ecc.
Metodi didattici
Lectures
Materiale di riferimento
Il materiale didattico è a cura del docente e viene pubblicato periodicamente sul sito del corso
Unit 2
Programma
Modelli di rete
Grado dei nodi e reti scale-free
Diadi e reciprocità
Triadi e coefficiente di clustering
Similarità dei nodi
Assortatività
Community detection
Grado dei nodi e reti scale-free
Diadi e reciprocità
Triadi e coefficiente di clustering
Similarità dei nodi
Assortatività
Community detection
Metodi didattici
Lezioni frontali
Materiale di riferimento
Social Media Mining, Reza Zafarani, Mohammad Ali Abbasi, Huan Liu, Cambridge University Press, 2014
Moduli o unità didattiche
Unit 1
INF/01 - INFORMATICA - CFU: 3
Lezioni: 20 ore
Docente:
Vigna Sebastiano
Turni:
-
Docente:
Vigna Sebastiano
Unit 2
INF/01 - INFORMATICA - CFU: 3
Lezioni: 20 ore
Docente:
Gaito Sabrina Tiziana
Turni:
-
Docente:
Gaito Sabrina TizianaDocente/i
Ricevimento:
su appuntamento via email (by appointment via email)
ufficio (Celoria 18, VII piano) o online (emergenza covid)