Ateneo - UPO

Questo insegnamento introduce i concetti, i principi e i metodi fondamentali nel campo interdisciplinare della scienza delle reti, con un'attenzione particolare alle tecniche di analisi, alla modellizzazione e alle applicazioni per il World Wide Web e i social media online. Gli argomenti trattati includono la struttura delle reti, i modelli matematici delle reti, le topologie di rete comuni, la struttura dei grafi su larga scala, le strutture comunitarie, la diffusione epidemica, il PageRank e altre misure di centralità, oltre che la loro applicazione nella costruzione dei moderni sistemi di information retrieval, i processi dinamici nelle reti, e la visualizzazione dei grafi. Inoltre, saranno introdotti gli strumenti pratici che permettono l'applicazione dei principi base della scienza delle reti per svolgere attività di analisi di reti complesse) su dati reali, utilizzando Python e diversi pacchetti/librerie come networkx, igraph, e altri, nonché strumenti avanzati di visualizzazione dei grafi come GePhi.

[1] Filippo Menczer, Santo Fortunato, and Clayton A. Davis, A First Course in Network Science, Cambridge University Press (in biblioteca) [2] David Easley and Jon Kleinberg, Networks, Crowds, and Markets: Reasoning About a Highly Connected World, Cambridge University Press [3] Albert-László Barabási, Network Science, Cambridge University Press [4] C. D. Manning, P. Raghavan and H. Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008 Materiale addizionale fornito dal docente

Lo scopo del corso è duplice. In primo luogo, la classe imparerà 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, la classe imparerà cos’è un sistema di information retrieval (IR), quali sono le tecniche di base per progettare un sistema di IR efficiente e scalabile su grandi collezioni di documenti, le applicazioni principali (ad esempio, come costruire un motore di ricerca sul Web) e le direzioni future.

Si raccomanda una buona conoscenza di programmazione ed algoritmi, oltre ad una conoscenza di base di algebra lineare, di calcolo delle probabilità e di statistica.

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.

Monitoraggio del processo di apprendimento: durante l’insegnamento gli studenti interagiranno con il docente per la soluzione di esercizi e di compiti di laboratorio. Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studentidisabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.

L'esame valuta le competenze acquisite attraverso una prova orale obbligatoria e la consegna di un progetto facoltativo.
La prova orale si svolge il giorno dell'appello e si articola in una serie di domande di difficoltà variabile corrispondenti a diversi livelli di punteggio per un totale di 28 punti. Il massimo dei voti lo si può raggiungere se è stato comunicato in precedenza ai docenti l'intenzione di svolgere anche un progetto pratico di analisi e visualizzazione di rete in Python. Il progetto e la discussione orale valgono un incremento di -4/+4 punti.

18–20 punti garantisce la sufficienza e attesta la comprensione minima della teoria della scienza delle reti, delle topologie dei grafi e dell'information retrieval.
21–23 punti attesta una competenza intermedia dei principi di modellizzazione delle reti, delle strutture comunitarie, delle misure di centralità e dell'architettura dei sistemi di retrieval.
24–26 punti dimostra la capacità di applicare i principi della scienza delle reti, dell'analisi dei processi dinamici e dell'information retrieval a contesti reali.
27–28 punti dimostra la capacità di applicare in modo ottimizzato e rigoroso le tecniche di analisi di grafi su larga scala, estrazione di metriche avanzate e modellizzazione della diffusione nelle reti.
29–30 punti è riservato a coloro che, superata la prova orale con un voto minimo di 26, hanno anche sviluppato un progetto completo in Python (utilizzando librerie come NetworkX o igraph) e/o in GePhi, da concordare con il docente. Il progetto prevede l'analisi empirica e la visualizzazione di un dataset di rete reale.
L'eccellenza (30 e Lode) è riservata a chi, oltre al massimo dei voti all'orale e nel progetto, presenti un'analisi impeccabile che dimostri totale autonomia nella modellizzazione della rete, nella scelta delle metriche di analisi e nell'interpretazione/visualizzazione dei dati forniti.

Introduzione alle reti; Ripasso della teoria dei grafi; Omofilia; La forza dei legami deboli; Centralità, robustezza; Modelli di rete, reti casuali e reti piccolo mondo; Leggi di potenza e fenomeni del “più ricco diventa più ricco”; Comunità; Fenomeni di diffusione; Comportamento a cascata nelle reti; Diffusione di epidemie; Sperimentazioni di analisi di rete (strutturale e dinamica) con Gephi e Python/networkx; Introduzione all'information retrieval; Inverted index; Termini e posting; Ingestione dei documenti e pipeline NLP; Sperimentazioni di NLP ed information retrieval con SpaCy; Ranked retrieval; Valutazione dei motori di ricerca; Reti dirette e pesate; La struttura del Web; Analisi dei collegamenti; Calcolo del Pagerank; Modelli linguistici e word embedding (basi); Word embedding con SpaCy

Conoscenza e comprensione: algoritmi e strutture dati di base per information retrieval e per analisi di reti complesse. Conoscenza applicata e comprensione: la classe sarà in grado di implementare ed usare un sistema di information retrieval di base e allo stesso modo saprà analizzare dati presentati sotto forma di rete, usando strumenti di pubblico dominio. Effettuare valutazioni: la classe sarà in grado di esprimere in maniera autonoma una valutazione sulle tecniche più idonee per risolvere un generico problema di information retrieval e di scienza delle reti. Capacità comunicative: la classe imparerà a comunicare ed a giustificare l’uso delle tecniche più appropriate per la soluzione di un dato problema. Capacità di apprendimento: la classe sarà in grado di apprendere in modo autonomo come raffinare le tecniche di base che saranno introdotte durante il corso e a come usare al meglio gli strumenti disponibili