- Oggetto:
- Oggetto:
Analisi e Visualizzazione di Reti Complesse
- Oggetto:
Analysis and Visualization of Complex Networks
- Oggetto:
Anno accademico 2023/2024
- Codice dell'attività didattica
- INF0007
- Docente
- Rossano Schifanella (Titolare)
- 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
- Modalità di frequenza
- Facoltativa
- Tipologia d'esame
- Orale
- Prerequisiti
- Un'ottima conoscenza operativa di programmazione ed algoritmi; nozioni di calcolo di probabilità, statistica e algebra lineare (a livello di laurea in disciplina scientifica)An excellent working knowledge of programming and algorithms; notions of probability calculus, statistics, and linear algebra (at the level of a bachelor degree in a scientific discipline).
- 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 su un'analisi di dati rappresentati in forma di rete secondo le istruzioni indicate su Moodle.
- Esame orale (50%): sulla parte teorica e sulla discussione del Progetto I (parte analisi di rete) e del Progetto II (parte visualizzazione dati)
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%): network analysis project on a dataset represented as a graph and according to the instructions given on Moodle
- Oral exam (50%): questions on the theory part and on the discussion of Project I (network analysis part) and of Project II (data visualization part)
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
- Ripasso su teoria dei grafi
- Legami forti e deboli
- Omofilia
- Analisi di reti complesse con Python
- Centralità, Robustezza, Partizionamento di Grafi
- Modelli di rete, Grafi Casuali, Reti Small World
- Modelli a collegamento preferenziale
- Comunità
- Reti con segno
- Reti dirette e pesate
- La struttura del Web
- Analisi dei collegamenti, ricerca sul Web
- Cascate di Informazioni
- Comportamento a cascata in reti
- Effetti di rete
- Leggi di potenza e fenomeni Rich-Get-Richer
- Piccoli mondi e ricerca
- Epidemie e diffusione di epidemie in reti eterogenee
- Introduzione ai grafi temporali e agli ipergrafi
- Graph Representation Learning (embedding di nodi, reti neurali a grafo, modelli generativi di grafi)
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
- Recap of graph theory
- Strong and weak ties
- Homophily
- Complex Network Analysis (CNA) with Python;
- Centralities, Robustness, Structural Holes, Graph Partitioning
- Network Models, Random Networks and Small World Networks
- Preferential Models
- Communities
- Signed Networks
- Directed and Weighted Networks
- The Structure of the Web
- Link Analysis and Web Search
- Information Cascades
- Cascading Behavior in Networks
- Network Effects
- Power Laws and Rich-Get-Richer Phenomena
- Small World and Search
- Epidemics; Epidemic spreading in heterogeneous networks
- Introduction to temporal graphs and hypergraphs
- Graph Representation Learning (Node embeddings, Graph Neural Networks, Generative Graph Models)
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
- William L. Hamilton, Graph Representation Learning. Morgan & Claypool Publishers, 2020
- Oggetto: