Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Modelowanie i analiza sieci złożonych
Koordynator przedmiotu:
Dr hab. inż. Marek Gągolewski, prof. PW
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Inżynieria i Analiza Danych
Grupa przedmiotów:
Wspólne
Kod przedmiotu:
.
Semestr nominalny:
4 / rok ak. 2019/2020
Liczba punktów ECTS:
5
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1. godziny kontaktowe – 70 h; w tym a) obecność na wykładach – 15 h b) obecność na projekcie – 45 h c) obecność na egzaminie – 5 h d) konsultacje – 5 h 2. praca własna studenta – 60 h; w tym a) przygotowanie do egzaminu (kolokwium) – 15 h b) przygotowanie projektów - 40 h c) zapoznanie się z literaturą – 5 h Razem 130 h, co odpowiada 5 pkt. ECTS
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
a) obecność na wykładach – 15 h b) obecność na projekcie – 45 h c) obecność na egzaminie – 5 h d) konsultacje – 5 h Razem 70 h, co odpowiada 3 pkt. ECTS
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
a) obecność na projekcie – 45 h b) przygotowanie projektów – 40 h Razem 85 h, co odpowiada 3 pkt. ECTS
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt45h
  • Lekcje komputerowe0h
Wymagania wstępne:
Teoria grafów, matematyka dyskretna Rachunek prawdopodobieństwa, statystka matematyczna Programowanie w języku Python i Java
Limit liczby studentów:
.
Cel przedmiotu:
Celem przedmiotu jest zaznajomienie studentów z podstawowymi modelami, metodami matematycznymi i algorytmami wykorzystywanymi w analizie sieci złożonych (sieci społecznościowych, biologicznych, technologicznych, cytowań itp.). W trakcie kursu student poznaje metody eksploracyjnej analizy danych (wizualizacja dużych sieci, podstawowe statystyki opisowe, analiza skupień), modele tłumaczące powstawanie sieci oraz dynamikę w nich zachodzącą, a także narzędzia pozwalające dokonywać analiz predykcyjnych dla tego rodzaju danych.
Treści kształcenia:
1. Podstawy matematyczne i algorytmiczne: powtórzenie wiadomości z teorii grafów, sposoby reprezentacji (listy i macierze sąsiedztwa, macierze rzadkie), przeszukiwanie grafów 2. Grafowe bazy danych, przykłady sieci rzeczywistych 3. Algorytmy wizualizacji grafów 4. Statystyki opisowe (Centrality Degree, Betweenness, Closeness PageRank, itp.) 5. Grafy przypadkowe, model Erdosa-Renyi 6. Model sieci ewoluującej Barabasiego-Alberty 7. Własności sieci rzeczywistych. 8. Algorytmy wykrywania skupień (ang. community detection) 9. Sieci hierarchiczne, warstwowe i czasowe (ang. temporal networks) 10. Błądzenia losowe. Przypomnienie wiadomości o procesach Markowa 11. Modele agentowe i dynamika na sieciach
Metody oceny:
Kolokwium końcowe – teoria (50%) Projekty – zastosowania praktyczne w analizie danych rzeczywistych i ich modelowaniu (50%)
Egzamin:
tak
Literatura:
1. Caldarelli G., Chessa A., Data Science & Complex Networks, Oxford University Press, 2016 2. Caldarelli G., Scale-free networks: complex webs in nature and technology, Oxford University Press, 2007 3. Fronczak A., Fronczak P., Świat sieci złożonych: Od fizyki do Internetu, PWN, 2009 4. Durrett R., Random Graph Dynamics, Cambridge University Press, 2007 5. Aggarwal C.C., Wang H. (red.), Managing and Mining Graph Data, Springer, 2010
Witryna www przedmiotu:
.
Uwagi:
Program 4 semestralny - 4 semestr Program 3 semestralny - 3 semestr

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka W01
Zna teoretyczne modele grafów przypadkowych i sieci ewoluujących oraz ich własności
Weryfikacja: Kolokwium (egzamin)
Powiązane charakterystyki kierunkowe: DS2_W13
Powiązane charakterystyki obszarowe: I.P7S_WG
Charakterystyka W02
Zna algorytmy wykorzystywane w eksploracyjnej i predykcyjnej analizie rzeczywistych sieci złożonych
Weryfikacja: Kolokwium (egzamin)
Powiązane charakterystyki kierunkowe: DS2_W13
Powiązane charakterystyki obszarowe: I.P7S_WG

Profil ogólnoakademicki - umiejętności

Charakterystyka U01
Umie dokonywać eksploracyjnej analizy danych rzeczywistych
Weryfikacja: Projekty
Powiązane charakterystyki kierunkowe: DS2_U11
Powiązane charakterystyki obszarowe: I.P7S_UW, I.P7S_UK
Charakterystyka U02
Potrafi zaproponować i zweryfikować poprawność modelu teoretycznego do danych rzeczywistych
Weryfikacja: Projekty
Powiązane charakterystyki kierunkowe: DS2_U12
Powiązane charakterystyki obszarowe: I.P7S_UW

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka K01
Rozumie potrzebę uczenia się przez całe życie
Weryfikacja: .
Powiązane charakterystyki kierunkowe: DS2_K01
Powiązane charakterystyki obszarowe: I.P7S_KK