Course Syllabus
Obiettivi
I principali obiettivi del corso riguardano l'acquisizione di conoscenze relative alle principali tecniche di analisi di dati, sia strutturati che non strutturati, maturando competenze specifiche di data, networks e social media analytics. Gli studenti saranno inoltre in grado di progettare e realizzare applicativi per lo sviluppo di specifiche funzionalità di analytics (ad esempio, script in python ed R).
Contenuti sintetici
Introduzione al data analytics, con particolare riferimento a diverse tipologie di dati e diverse tecniche di analisi. Approfondimenti in specifici contesti di data analytics quali network analytics e social media analytics.
Programma esteso
1 Il processo di data analytics Tipi di dati: dati strutturati, semistrutturati e non strutturati Tipi di analisi: predittiva, prescrittiva, descrittiva
2 Introduzione alla Network Analysis: definizioni base e domini applicativi
3 Reti statiche e dinamiche: proprietà statistiche per l’analisi strutturale
4 Misure di centralità
5 Clustering su grafi: algoritmi ed applicazioni
6 Modelli di influenza e contagio nelle social reti
7 Introduzione al Social Media Analytics
8 Subjectivity Detection, Sentiment Mining, Irony Detection: lessici, modelli probabilistici del linguaggio, ensemble learning
9 Named-Entity Recognition and Linking: Conditional Random Fields, Probabilistic Topic Models, Word Sense Disambiguation
10 Social Media Tagging e Summarization: Tag Generation, Tag analysis, Summarization
11 Problematiche e tecniche di visualizzazione
Prerequisiti
Nessun prerequisito essenziale. Sono utili conoscenze di base di algebra lineare e teoria dei grafi.
Modalità didattica
Lezioni ed esercitazioni in aula. Attività di laboratorio. Svolgimento di esercitazioni e laboratori individuali ed in gruppo.
Il corso sarà erogato in Italiano.
Nel periodo di emergenza Covid-19 le lezioni si svolgeranno completamente da remoto in modalità sincrona e asincrona. Tutte le lezioni saranno registrate e rese disponibili agli studenti.
Materiale didattico
Albert-László BARABÁSI. Network science. Cambridge university press (2016).
D. Easley, J. Kleinberg. Networks, Crowds, and Markets: Reasoning About a Highly Connected World. Cambridge University Press (2010).
Charu C. Aggarwal . Social Network Data Analytics, Springer (2012).
N. Danneman, R. Heimann. Socia Media Mining with R. (2014).
Periodo di erogazione dell'insegnamento
Secondo semestre.
Modalità di verifica del profitto e valutazione
Progetto e orale. Sono assenti prove in itinere intermedie.
Il progetto consisterà nello sviluppo di uno strumento di analytics basato su metodi e modelli presentati a lezione. Il progetto prevede una valutazione espressa in un range 0-24. Per ciascun progetto verrà valutato:
- Metodologia adottata (modelli e metodi) : 7 punti
- Dimostratore e tecniche di visualizzazione adottate: 5 punti
- Analisi dei risultati sperimentali: 7 punti
- Presentazione: 5 punti
L'orale prevede 4 domande di teoria tra gli argomenti del corso elencati nel programma dettagliato. Per ciascuna domanda verrà data una valutazione compresa pari a -2, per una risposta errata o mancata risposta, e +2 punti per una risposta corretta.
Nel periodo di emergenza Covid-19 gli esami si svolgeranno completamente da remoto.
Orario di ricevimento
Nel periodo di emergenza Covid-19 il ricevimento studenti si svolgerà completamente da remoto.
Aims
The main objectives of the course concern the acquisition of knowledge related to the main techniques of data analysis, considering both structured and unstructured data, developing specific skills regarding data, networks and social media analytics. Students will also be able to design and deploy applications for the development of specific analytics functionalities (for example, python and R scripts).
Contents
Introduction to data analytics, with particular reference to different types of data and different analysis techniques. Focuses on specific data analytics contexts such as network analytics and social media analytics.
Detailed program
1 The data analytics process. Data types: structured, semi-structured and unstructured data. Types of analysis: predictive, prescriptive, descriptive
2 Introduction to Network Analysis: basic definitions and application domains
3 Static and dynamic networks: statistical properties for structural analysis
4 Centrality measures
5 Graph clustering: algorithms and applications
6 Models of influence and contagion in social networks
7 Introduction to Social Media Analytics
8 Subjectivity Detection, Sentiment Mining, Irony Detection: lexicons, probabilistic language models, ensemble learning
9 Named-Entity Recognition and Linking: Conditional Random Fields, Probabilistic Topic Models, Word Sense Disambiguation
10 Social Media Tagging and Summarization: Tag Generation, Tag analysis, Summarization
11 Open issues and visualization techniques
Prerequisites
No essential prerequisite. Basic knowledge of linear algebra and graph theory is helpful.
Teaching form
Classroom lectures, exercises and laboratory activities.
The course will be delivered in Italian.
During the Covid-19 emergency period, the lessons will take place completely remotely synchronously and asynchronously with some physical presence events. All the lessons will be recorded and made available to the students.
Textbook and teaching resource
Albert-László BARABÁSI. Network science. Cambridge university press (2016).
D. Easley, J. Kleinberg. Networks, Crowds, and Markets: Reasoning About a Highly Connected World. Cambridge University Press (2010).
Charu C. Aggarwal . Social Network Data Analytics, Springer (2012).
N. Danneman, R. Heimann. Socia Media Mining with R. (2014).
Semester
Assessment method
Team project (with oral presentation) and oral exam. No intermediate tests.
The project will consist of the development of an analytics tool based on methods and models presented in class. The project evaluation consists of a numerical evaluation expressed in a range of 0-24. For the evaluation of each project, the following points will be evaluated:
- Adopted methodology (models and methods): 7 points
- Demonstrator and visualization techniques adopted: 5 points
- Analysis of experimental results: 7 points
- Presentation: 5 points
The oral exam includes 4 theoretical questions among the course topics listed in the detailed program. For each question, a score equal to -2 will be given to a wrong response or a missing answer, and a score equal to +2 for a correct answer.
During the Covid-19 emergency period, exams will take place completely remotely.
Office hours
On appointment.
During the Covid-19 emergency period, the meetings will take place completely remotely.
Staff
-
Elisabetta Fersini
-
Alex Graudenzi