Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Social Networks and Recommendation Systems
Koordynator przedmiotu:
dr inż. Grzegorz Siudem
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Data Science
Grupa przedmiotów:
Współny
Kod przedmiotu:
.
Semestr nominalny:
3 / rok ak. 2021/2022
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 – 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:
angielski
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:
Graph theory, discrete mathematics, probability theory, mathematical statistics and Python and/or R programming
Limit liczby studentów:
Number of groups: no limits Project – the number of students in a group matches the limits defined by the Warsaw University of Technology
Cel przedmiotu:
The main goal of the course is the presentation of the basic techniques used in complex networks (including social networks) analysis and modeling and recommendation systems.
Treści kształcenia:
Lecture: 1. Mathematical background: graph theory refresher. 2. Databases of networks. Real networks and their analysis. 3. Historical overview of the complex network science. 4. Graph visualization algorithms. 5. Network's metrics overview. 6. Random graphs, Erdosa-Renyi model. 7. Barabasi-Albert model. 8. Percolations and network's vulnerability to attacks and failures. 9. Properties of the real-world networks. 10. Community detection algorithms. 11. Hierarchical, layer and temporal networks. 12. Agent-based modeling, random walks and other dynamics on networks. 13. Recommendation systems. Project classes: 1. Introduction to Wolfram Mathematica. 2. Real networks analysis. 3. Power law in the data. 4. Graph visualization algorithms. 5. Network's metrics -- implementation and analysis. 6. Random graphs, Erdosa-Renyi model. 7. Barabasi-Albert model. 8. Analysis of the attack and failure's vulnerability. 9. Community detection algorithms. 10. Hierarchical, layer and temporal networks. 11. Agent-based modeling, random walks and other dynamics on networks. 12. Recommendation systems.
Metody oceny:
Written examination – theory (25%) Project classes – application in data analysis and network modeling (75%)
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:
if.pw.edu.pl/~siudem/MASZ.html
Uwagi:
.

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka W01
Knows theoretical models of random graphs and complex networks and their properties
Weryfikacja: written examination
Powiązane charakterystyki kierunkowe: DS2_W10
Powiązane charakterystyki obszarowe:
Charakterystyka W02
Knows techniques used in the network data mining
Weryfikacja: written examination, project
Powiązane charakterystyki kierunkowe: DS2_W04
Powiązane charakterystyki obszarowe:

Profil ogólnoakademicki - umiejętności

Charakterystyka U01
Can do a network data mining
Weryfikacja: project
Powiązane charakterystyki kierunkowe: DS2_U08, DS2_U11
Powiązane charakterystyki obszarowe:
Charakterystyka U02
Can propose a theoretical model, which describes real-world data
Weryfikacja: written examination, project
Powiązane charakterystyki kierunkowe: DS2_U08, DS2_U11
Powiązane charakterystyki obszarowe:
Charakterystyka U03
Can use proper complex network terminology
Weryfikacja: written examination, project
Powiązane charakterystyki kierunkowe: DS2_U15
Powiązane charakterystyki obszarowe:

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka K01
Understands the need for lifelong learning
Weryfikacja: project
Powiązane charakterystyki kierunkowe: DS2_K01
Powiązane charakterystyki obszarowe:
Charakterystyka K02
Understands the properties of the real complex networks and their consequences, especially in the context of social and technological networks
Weryfikacja: written examination , project
Powiązane charakterystyki kierunkowe: DS2_K05
Powiązane charakterystyki obszarowe: