Vai al contenuto principale
Oggetto:
Oggetto:

Analisi e Visualizzazione di Reti Complesse

Oggetto:

Analysis and Visualization of Complex Networks

Oggetto:

Anno accademico 2022/2023

Codice dell'attività didattica
INF0007
Docenti
Giancarlo Francesco Ruffo (Professore a contratto)
Lorenzo Dall'amico (Professore a contratto)
Michele Tizzani (Professore a contratto)
Corso di studi
[008515] Laurea magistrale in informatica
Anno
1° anno 2° anno
Periodo didattico
Secondo semestre
Tipologia
Caratterizzante
Crediti/Valenza
9 CFU - Numero di ore - Number of hours: 72 (in aula)
SSD dell'attività didattica
INF/01 - informatica
Modalità di erogazione
Tradizionale
Lingua di insegnamento
Italiano/Inglese
Modalità di frequenza
Facoltativa
Tipologia d'esame
Scritto più orale obbligatorio
Prerequisiti

Un'ottima conoscenza operativa di programmazione ed algoritmi; basi di algebra lineare; calcolo delle probabilità e statistica.
An excellent working knowledge of programming and algorithms; basics of linear algebra; probability calculus and statistics.
Oggetto:

Sommario insegnamento

Oggetto:

Obiettivi formativi

Lo scopo del corso è triplice. In primo luogo, studentesse e studenti impareranno i principi fondamentali della scienza delle reti (NS), incluse le tecniche di analisi delle reti complesse, i modelli di base per studiare le dinamiche di rete (es., contagio sociale, fenomeni virali, diffusione di epidemie, etc.). In secondo luogo, impareranno ad analizzare insiemi di dati rappresentabili sotto forma di reti, tramite lo studio computazionale della struttura del grafo e dei processi dinamici che su di esso si manifestano.
Infine, verranno spiegati loro i principi fondamentali della visualizzazione delle informazioni e come in particolare gestire l'analisi visuale di informazione complessa rappresentabile sotto forma di grafo e non solo.

Questo insegnamento concorre agli obiettivi formativi dell'ambito delle reti e e dei sistemi informatici, oltre che in quelli dei sistemi per il trattamento dell'informazione del Corso di Laurea Magistrale in Informatica.

The purpose of the course is threefold. First, students will learn the fundamentals of network science (NS), including techniques for analyzing complex networks, and basic models for studying network dynamics (e.g., social contagion, viral phenomena, the spread of epidemics, etc.). Second, they will learn how to analyze datasets that can be represented in the form of networks, through the computational study of graph structure and the dynamic processes that occur on it.
Finally, they will be taught the basic principles of information visualization and in particular how to handle the visual analysis of complex information representable in the form of a graph and beyond.

This teaching contributes to the educational objectives in the area of computer networks and systems, as well as information processing systems in the Computer Science Master's degree program.

Oggetto:

Risultati dell'apprendimento attesi

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Le studentesse e gli studenti approfondiranno la loro conoscenza di algoritmi e strutture dati di base per l'analisi di reti complesse e per la rappresentazione visuale di informazione scientifica e complessa.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Gli studenti e le studentesse saranno in grado di analizzare dati, anche con processi di tipo visuale, presentati sotto forma di una rete, usando strumenti di pubblico domini.

AUTONOMIA DI GIUDIZIO: Le studentesse e gli studenti saranno in grado di esprimere in maniera autonoma una valutazione sulle tecniche più idonee per risolvere un generico problema di scienza delle reti e di visualizzazione di informazione complessa.

ABILITÀ COMUNICATIVE: Gli studenti e le studentesse impareranno a comunicare ed a giustificare l’uso delle tecniche più appropriate per la soluzione di un dato problema di scienza delle reti e di visualizzazione dell'informazione.

CAPACITÀ DI APPRENDIMENTO: Le studentesse e gli studenti saranno in grado di apprendere in modo autonomo come raffinare le tecniche di base che impareranno durante il corso e a come usare al meglio gli strumenti disponibili.

KNOWLEDGE AND CAPACITY TO UNDERSTAND: Students will deepen their knowledge of basic algorithms and data structures for the analysis of complex networks and for the visual representation of scientific and complex information.

ABILITY TO APPLY KNOWLEDGE AND UNDERSTANDING: Students will be able to analyze data, including visual processes, presented in the form of a network, using tools from public domains.

JUDGMENTAL AUTONOMY: Students will be able to independently make an assessment of the most appropriate techniques for solving a generic network science problem and complex information visualization.

COMMUNICATION SKILLS: Students will learn to communicate and justify the use of the most appropriate techniques for solving a given network science and information visualization problem.

LEARNING SKILLS: Students will be able to learn independently how to refine the basic techniques they will learn in the course and how to best use the available tools.

Oggetto:

Modalità di insegnamento

Lezioni che introducono i concetti teorici ed esercitazioni in laboratorio che li applicano. Nelle lezioni si affrontano gli argomenti di teoria tramite presentazioni diapositive, con esempi e alcune domande per verificare l’apprendimento degli studenti. Nelle esercitazioni in laboratorio gli studenti sono guidati nella realizzazione di semplici progetti volti a mettere in pratica le conoscenze teoriche acquisite.

Lectures that introduce theoretical concepts and laboratory exercises that apply them. In the lessons, theoretical topics are addressed through slide presentations, with examples and some questions to verify students' learning. In laboratory exercises, students are guided in the implementation of simple projects aimed at putting into practice the theoretical knowledge acquired.

Oggetto:

Modalità di verifica dell'apprendimento

L'esame è composto di tre parti:

  • Progetto I (30%): progetto di data visualization a partire da un dataset e secondo le istruzioni indicate su moodle
  • Progetto II (20%): progetto individuali su un'analisi di dati rappresentati in forma di rete (lo sviluppo di codice è normalmente parte del compito).
  • Esame scritto (50%): sulla parte teorica. Esame orale: opzionale secondo le indicazioni fornite dal docente durante il corso

Per ognuna delle prove di cui sopra si esprimerà una valutazione in trentesimi. La singola prova si intende superata se si ottiene un punteggio superiore oppure uguale a 18/30. Il voto finale sarà calcolato dai punteggi ottenuti nelle singole prove tramite una media pesata secondo le percentuali mostrate sopra.

 

The exam consists of three parts:

  • Project I (30%): data visualization project from a dataset and according to the instructions given on moodle
  • Project II (20%): individual project on an analysis of data represented in network form (code development is normally part of the assignment)
  • Written exam (50%): on the theory part. Oral exam: optional as directed by the lecturer during the course.

A grade in the range [0,30] will be given for each of the above tests. The individual test will be considered passed if a score greater than or equal to 18/30 is obtained. The final grade will be calculated from the scores obtained in the individual tests by a weighted average according to the percentages shown above.

 

 

Oggetto:

Attività di supporto

Durante l’insegnamento gli studenti e le studentesse interagiranno con il docente per la soluzione di esercizi e di compiti di laboratorio, anche tramite la piattaforma moodle.

During teaching, students will interact with the lecturer in solving exercises and lab assignments, including through the Moodle platform.

Oggetto:

Programma

Reti Complesse e "Analisi di rete"

  • Introduzione alle reti complesse
  • Teoria dei grafi e metriche di rete
  • centralità, piccoli mondi, hub 
  • reti dirette, pesate e temporali
  • Legami forti e deboli
  • Buchi strutturali, ponti e partizioni di grafi
  • Reti ed Omofilia
  • Leggi di potenza fenomeno rich gets richer
  • Epidemie sui grafi
  • Comunità
  • Modelli a cascata
  • Algoritmi di Hits Page Rank
  • Teoria dei giochi
  • Reti e traffico
  • Introduzione a grafi temporali e ipergrafi

Visualizzazione dell'informazione

  • Grafici e plot di base, visualizzazione di dati multivariati
  • Principi di percezione, colore, progettazione e valutazione
  • Visualizzazione testuale
  • Interattività e animazione
  • Visualizzazione di dati temporali
  • Visualizzazione di dati geospaziali
  • Visualizzazione di dati gerarchici
  • Visualizzazione di dati di rete

Complex Networks and "Network Analysis"

  • Introduction to complex networks
  • Graph theory and network metrics
  • Centrality, small world, hubs
  • Directed, weighted and temporal networks
  • Strong and weak ties
  • Structural holes, bridges e graph partitions
  • Networks and homophily
  • Power laws and rich gets richer phenomena
  • Epidemics on graphs
  • Community detection
  • Cascading behaviors
  • Hits and Page Rank algorithms
  • Game theory
  • Traffic and networks
  • Introduction to temporal graphs and hypergraphs

Information Visualization

  • Basic Charts and Plots, Multivariate Data Visualization
  • Principles of Perception, Color, Design, and Evaluation
  • Text Data Visualization
  • Interactivity and Animation
  • Temporal Data Visualization
  • Geospatial Data Visualization
  • Hierarchical Data Visualization
  • Network Data Visualization

Testi consigliati e bibliografia



Oggetto:
Libro
Titolo:  
A First Course in Network Science
Anno pubblicazione:  
2021
Editore:  
Cambridge University Press
Autore:  
Filippo Menczer, Santo Fortunato , and Clayton A. Davis
ISBN  
Obbligatorio:  
Si


Oggetto:
Libro
Titolo:  
Networks, Crowds, and Markets: Reasoning About a Highly Connected World
Anno pubblicazione:  
2012
Editore:  
Cambridge University Press
Autore:  
David Easley and Jon Kleinberg
ISBN  
Obbligatorio:  
Si
Oggetto:

 

  • Albert-László Barabási, Network Science, Cambridge University Press
  • Mark Newman, Networks, Oxford University Press
  • Alain Barrat, Mark Barthélemy, and Alessandro Vespignani Dynamical Processes on Complex Networks, Cambridige
  • Dmitry Zinoviev, Complex Network Analysis in Python, Recognize → Construct → Visualize → Analyze → Interpret, The Pragmatic Bookshelf
  • Edward R. Tufte, The Visual Display of Quantitative Information, Graphics Press, 2013
  • Stephen Few, Now You See It, Analytics Press, 2009
  • Isabel Mairelles, Design for Information, Rockport, 2013
  • Nathan Yau, Visualize This: The Flowing Data Guide to Design, Visualization, and Statistics, Wiley, 2011
  • Scott Murray, Interactive Data Visualization for the Web: An Introduction to Designing with D3, O’Reilly, 2013

 



Oggetto:
Ultimo aggiornamento: 04/05/2023 13:51
Location: https://magistrale.informatica.unito.it/robots.html
Non cliccare qui!