Caricamento in corso...
Mining knowledge from complex networks
01TSBRV
A.A. 2020/21
Course Language
Inglese
Degree programme(s)
Doctorate Research in Ingegneria Elettrica, Elettronica E Delle Comunicazioni - Torino
Course structure
| Teaching | Hours |
|---|---|
| Lezioni | 15 |
| Esercitazioni in aula | 5 |
Lecturers
| Teacher | Status | SSD | h.Les | h.Ex | h.Lab | h.Tut | Years teaching |
|---|---|---|---|---|---|---|---|
| Vassio Luca | Ricercatore a tempo det. L.240/10 art.24-B | IINF-05/A | 15 | 0 | 0 | 0 | 1 |
Co-lectures
Context
| SSD | CFU | Activities | Area context | *** N/A *** |
|---|
Il corso si rivolge a tutti i tipi di ingegneri che potrebbero lavorare con dati rappresentabili come una rete.
In questo corso esploreremo tecniche per estrarre informazioni utili da reti complesse, concentrandoci su dati temporali e strutturali. Gli studenti impareranno a raccogliere dati, creare reti e scoprire le loro strutture nascoste. I casi di studio mostrati di reti complesse reali evidenziano aspetti importanti della sicurezza informatica, della privacy e delle scienze sociali. In dettaglio, insegneremo le basi su come gestire correttamente tali reti, come eseguire algoritmi efficienti e scalabili per l'identificazione della struttura e infine presenteremo le tecniche per visualizzare i grafi.
Il corso tratterà i seguenti argomenti: introduzione alla scienza delle reti e reti complessi, modelli probabilistici di rete, previsione dei collegamenti, passeggiate casuali sui grafi, rilevamento delle comunità, identificazione delle strutture della rete e tecniche di visualizzazione dei grafi. Il corso avrà parti pratiche e laboratori informatici. Useremo il linguaggio di programmazione Python in esecuzione su un Jupyter Hub remoto (jupyter.polito.it), quindi gli studenti non devono installare nulla e necessitano solo dei loro computer con una connessione internet. Durante ogni lezione, vedremo esempi con reti reali e ogni studente eseguirà alcuni piccoli compiti di programmazione e analisi e visualizzazione dei dati.
La valutazione finale sarà composta dalla consegna dei report dei laboratori e dalla discussione facoltativa di un progetto finale o approfondimento di uno degli argomenti delle lezioni. La discussione si svolgerà in aula insieme ai docenti e agli altri studenti. I progetti potrebbero essere svolti utilizzando i dati presi dai temi dei dottorati dei singoli studenti.
The target of the course is for all kind of engineers that might work with data that can be represented as a network.
In this course, we will explore techniques for extracting useful information from complex networks, focusing on temporal and structural data. The students will learn how to collect data, create graphs and uncover their hidden structures. The shown case studies of real complex networks highlight important aspects of cybersecurity, privacy and social science. In detail, we will teach basics on how to properly handle such networks, how to run efficient and scalable algorithms for structure identification and finally we will present the techniques for visualizing the graphs.
The course will cover the following topics: introduction to network science, probabilistic network models, link prediction, random walks over graphs, community detection, network structure identification and graph visualization techniques. The course will have hands-on parts. We will use the Python programming language running on a remote Jupyter Hub (jupyter.polito.it), hence the students do not have to install anything and only need their computers with an internet connection. During each class, we will see examples with real networks and each student will execute some small programming assignment and data analysis and visualization.
The final evaluation will be composed by the submission of the different assignments and by the optional discussion of a final project or deepening of one of the subject of the lectures. The discussion will be done in classroom together with the teachers and the other students. Projects could be done using data from the students’ personal research.
- Una conoscenza pregressa sui grafi è gradita, ma non obbligatoria - si parte quasi da zero
- Fondamenti di statistica, processi stocastici, programmazione (Python), algebra lineare, calcolo di matrici – tutti argomenti che dovrebbero essere già noti aglistudenti del Politecnico
- Una conoscenza pregressa sui grafi è gradita, ma non obbligatoria - si parte quasi da zero
- Fondamenti di statistica, processi stocastici, programmazione (Python), algebra lineare, calcolo di matrici – tutti argomenti che dovrebbero essere già noti aglistudenti del Politecnico
- Introduzione alle reti complesse e ai grafi
- Modelli generativi di rete
- Previsione dei collegamenti
- Passeggiate casuali e centralità della rete
- Comunità e loro identificazione
- Struttura e visualizzazione dei grafi
- Applicazioni di ricerca
– Introduction to network science
– Network generative models
– Link prediction
– Random walks and network centralities
– Communities
– Network structure and visualization
– Research applications
In presenza
On site
Presentazione orale - Presentazione report scritto
Oral presentation - Written report presentation
P.D.2-2 - Maggio
P.D.2-2 - May
1 Giovedì] 20/05/2021 9.30-12.30
2 Giovedì 27/05/2021 9.30-12.30
3 Giovedì 10/06/2021 9.30-12.30
4 Giovedì 17/06/2021 9.30-12.30
5 Giovedì 01/07/2021 9.30-12.30
6 Giovedì 08/07/2021 9.30-12.30
7 Giovedì 15/07/2021 9.30-12.30
on-line
1 Giovedì] 20/05/2021 9.30-12.30
2 Giovedì 27/05/2021 9.30-12.30
3 Giovedì 10/06/2021 9.30-12.30
4 Giovedì 17/06/2021 9.30-12.30
5 Giovedì 01/07/2021 9.30-12.30
6 Giovedì 08/07/2021 9.30-12.30
7 Giovedì 15/07/2021 9.30-12.30
on-line