NETWORK ANALYSIS

iten
Codice
90530
ANNO ACCADEMICO
2021/2022
CFU
6 cfu al 1° anno di 10852 COMPUTER SCIENCE (LM-18) GENOVA

6 cfu al 2° anno di 9011 MATEMATICA (LM-40) GENOVA

SETTORE SCIENTIFICO DISCIPLINARE
INF/01
LINGUA
Inglese
SEDE
GENOVA (COMPUTER SCIENCE )
periodo
2° Semestre
materiale didattico

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Learning algorithms and techniques for large scale graph analytics, including centrality measures, connected components, graph clustering, graph properties for random, small-world, and scale free graphs, graph metrics for robustness and resiliency, and graph algorithms for reference problems.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Alla fine del corso, gli studenti diligenti che avranno lavorato come indicato avranno:

  • acquisito una comprensione di base su alcune importanti proprietà universali dei grafi che possono essere usate per studiare reti di grandi dimensioni, indipendentemente dal dominio applicativo
  • acquisito una comprensione di base sull'evoluzione delle reti di grandi dimensioni in presenza di guasti o di contagi
  • imparato alcuni importanti algoritmi di ranking sui grafi
  • consolidato la conoscenza teorica degli argomenti visti a lezione grazie ad una serie di esercitazioni che permetteranno di mettere in pratica quando visto in classe

PREREQUISITI

Per avere successo in questo insegnamento, gli studenti devono avere conoscenze di base relative a:

  • programmazione (per le esercitazioni)
  • web (come funziona, la sua struttura)

MODALITA' DIDATTICHE

Lezioni, esercitazioni pratiche e studio a casa.

PROGRAMMA/CONTENUTO

  • Background su algebra lineare e probabilità.
  • Introduzione alle reti complesse: esempi dalla biologia, sociologia, economia, informatica.
  • Caratterizzazione della topologia di un network a livello globale e di singolo nodo: connettività, clustering, misure di centralità, diametro, cliques, comunità.
  • Modelli di grafi: reti random alla Erdos-Renyi; reti small-world e modello di Watts-Strogatz; reti scale-free e modello di crescita di Barabasi-Albert.
  • Metriche sui grafi per la robustezza e la tolleranza ai guasti.
  • Il grafo del web: catene di Markov e random walk, algoritmi di ranking, motori di ricerca.
  • Processi dinamici sui grafi.
  • Fenomeni ed algoritmi epidemici.
  • Casi di studio: web, social media, modelli epidemici.
  • Visualizzazione di dati complessi mediante tool software

TESTI/BIBLIOGRAFIA

DOCENTI E COMMISSIONI

Ricevimento: La docente riceve su appuntamento presso il DIBRIS, studio numero 231, 2 piano, Via Dodecaneso 35, Genova. In caso di didattica a distanza il ricevimento avviene su Teams. E-mail: marina.ribaudo@unige.it    

Commissione d'esame

MARINA RIBAUDO (Presidente)

GIOVANNA GUERRINI

GIORGIO DELZANNO (Presidente Supplente)

LORENZO ROSASCO (Supplente)

LEZIONI

MODALITA' DIDATTICHE

Lezioni, esercitazioni pratiche e studio a casa.

Orari delle lezioni

L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.

ESAMI

MODALITA' D'ESAME

Esame orale e discussione delle esercitazioni proposte durante il corso.

MODALITA' DI ACCERTAMENTO

L'accertamento delle conoscenze acquisite avviene mediante colloquio orale.

Calendario appelli

Data Ora Luogo Tipologia Note