Inglese

Il corso fornisce un’introduzione all’analisi delle reti complesse, accessibile grazie alla disponibilità di big data, con particolare attenzione alle reti sociali e alla loro struttura e funzione.
Il corso illustra il campo di studio emergente che si evolve all’intersezione di informatica e tecnologia dell’informazione, sistemi complessi, matematica e modellistica statistica, economia e sociologia.
Gli argomenti trattati includono: teoria dei grafi, misure di centralità, modelli di rete (random graph models, preferential attachment, small-world networks), analisi della comunità, visualizzazione di reti, e metodi computazionali per l’analisi di reti su larga scala.

- M. E. J. Newman, Networks, 2nd ed., Oxford, Oxford University Press 2018, pp. 800.
- A.-L. Barabási, Network Science, Cambridge, Cambridge University Press 2016, pp. 404.
- D. Easley, J. Kleinberg, Networks, Crowds, and Markets: Reasoning About a Highly Connected World, Cambridge, Cambridge University Press 2010, pp. 727.
- Materiale didattico, articoli scientifici e dispense forniti dal docente sulla piattaforma e-learning di Ateneo.

Al termine dell’insegnamento, lo studente dovrà aver acquisito:
Conoscenza e capacità di comprensione: Comprendere i concetti fondamentali della teoria dei grafi, le misure di centralità nelle reti, i modelli classici di formazione di reti (random graph models, modelli di preferential attachment, small-world networks), i meccanismi di diffusione nelle reti, e le basi della teoria dei giochi applicate alle reti.
Utilizzazione delle conoscenze e capacità di comprensione: Saper applicare modelli matematici e statistici corretti per catturare caratteristiche di situazioni reali che coinvolgono reti; saper interpretare e criticare risultati di analisi di reti; saper progettare studi teorici e empirici su problematiche di rete.
Capacità di trarre conclusioni (Autonomia di giudizio): Saper valutare criticamente i modelli disponibili; imparare a trovare un equilibrio tra realismo del modello e flessibilità di analisi; adattare i modelli tradizionali alle peculiarità distintive della situazione che si sta modellando.
Abilità comunicative: Saper costruire e trasmettere efficacemente idee, suggerimenti, analisi e pensiero critico nel campo delle reti; saper spiegare fenomeni di rete complessi a diversi pubblici (aziende, management, governi); saper utilizzare il linguaggio specialistico della teoria dei grafi e dell’analisi di reti.
Capacità di apprendere: Possedere i fondamenti per specializzarsi successivamente su applicazioni di reti rilevanti alle proprie carriere professionali; sviluppare autonomia nell’apprendimento di nuovi modelli e metodologie di analisi di rete.

Sono richieste conoscenze di base di algebra lineare, analisi e calcolo. È inoltre necessaria una buona conoscenza delle variabili casuali e delle tecniche di statistica multivariata. .

L’insegnamento prevede 48 ore totali (6 CFU), interamente dedicate a lezioni frontali in aula.

La verifica dell’apprendimento prevede un esame orale unico sui contenuti del programma.

Struttura dell’esame: - Formato: Esame orale (durata circa 30-40 minuti) con il docente. - Contenuti: Domande aperte su tutti gli argomenti trattati nel corso: teoria dei grafi, misure di centralità, modelli di formazione di reti (random graphs, small-world, scale-free), analisi della comunità, diffusione nelle reti, teoria dei giochi applicata alle reti. - Modalità: Il docente pone domande progressivamente approfondite per verificare la conoscenza teorica, la capacità di argomentazione, la comprensione profonda dei principi e la capacità di applicare i concetti a situazioni reali.

Parametri di valutazione: La valutazione considera: (1) conoscenza profonda e corretta dei concetti fondamentali della teoria dei grafi e dei modelli di rete, (2) capacità di argomentazione e giustificazione delle scelte concettuali, (3) applicazione consapevole dei principi e dei modelli a diversi contesti di rete, (4) capacità critica di valutare e criticare i modelli disponibili e le loro limitazioni, (5) qualità dell’esposizione e uso del linguaggio specialistico, (6) capacità di collegare argomenti diversi e di fornire una visione coerente della disciplina.

VotoDescrittore Criteri di Valutazione (Rubrica)
30 - 30LEccellente e completa padronanza di tutti i concetti della teoria dei grafi, dei modelli di rete e delle loro applicazioni; argomentazione teorica impeccabile; capacità di applicare i modelli a situazioni complesse e inedite; visione critica eccellente delle limitazioni e dei punti di forza di ogni modello; comunicazione molto fluida, uso di lessico specialistico perfetto; capacità di collegare argomenti trasversalmente.
26 - 29Ottima conoscenza dei concetti fondamentali della teoria dei grafi e dei principali modelli di rete; buona capacità di argomentazione e giustificazione delle scelte; comprensione consapevole dei principi e dei modelli; capacità di applicare i concetti a problemi specifici; visione critica buona delle limitazioni dei modelli; buon linguaggio specialistico; collegamento adeguato tra argomenti.
22 - 25Discreta conoscenza della teoria dei grafi e dei modelli principali di formazione di reti; argomentazione adeguata anche se non sempre approfondita; comprensione sufficientemente critica; applicazione corretta dei concetti ai casi standard; linguaggio tecnico appropriato; alcuni errori minori nel collegamento tra argomenti.
18 - 21Requisiti minimi: Conoscenza basilare della teoria dei grafi, dei tipi principali di reti (random, small-world, scale-free) e delle misure di centralità essenziali; capacità minima di argomentazione; comprensione elementare dei concetti; applicazione meccanica dei modelli; difficoltà nel ragionamento critico e nell’analisi delle limitazioni; linguaggio semplice ma adeguato.

Il docente fornirà articoli scientifici, dispense e risorse online per l’approfondimento. Sebbene il corso non preveda laboratorio informatico obbligatorio, agli studenti è caldamente consigliato di sperimentare in modo autonomo con software di network analysis (Python con NetworkX, R con igraph, Gephi, o Cytoscape) per consolidare la comprensione dei modelli teorici.

Programma per esteso
- Introduzione e Fondamenti di Network Science (0.5 CFU / 4 ore)
- Basi di teoria dei Grafi e proprietà algebriche delle matrici di adiacenza, incidenza e Laplaciane (1.5 CFU / 12 ore):
- Descrizione Statistica delle Reti (1,5 CFU / 12 ore)
- Visualizzazione di Reti (0,5 CFU / 4 ore)
- Modelli di Reti (1 CFU / 8 ore): [file:33]
- Community Detection e Clustering (1 CFU / 8 ore)

English

The course provides an introduction to complex network analysis, made accessible by the availability of big data, with emphasis on social networks and their structure and function.
The course illustrates the emergent field of study evolving at the intersection of computing and information technology, complex systems, mathematics and statistical modeling, economics, and sociology.
Topics include: graph theory, centrality measures, network models (random graph models, preferential attachment, small-world networks), community detection, information diffusion and cascades, network visualization, and computational methods for large-scale network analysis.

- M. E. J. Newman, Networks, 2nd ed., Oxford University Press 2018, pp. 800.
- A.-L. Barabási, Network Science, Cambridge University Press 2016, pp. 404.
- D. Easley, J. Kleinberg, Networks, Crowds, and Markets: Reasoning About a Highly Connected World, Cambridge University Press 2010, pp. 727.
- Teaching materials, scientific articles, and notes provided on the e-learning platform.

Knowledge and understanding: Understanding fundamental concepts of graph theory, centrality measures in networks, classical network formation models (random graph models, preferential attachment models, small-world networks), diffusion mechanisms in networks, and fundamentals of game theory applied to networks.
Applying knowledge: Applying correct mathematical and statistical models to capture characteristics of real-world situations involving networks; interpreting and criticizing network analysis results; designing theoretical and empirical studies on network issues.
Making judgements: Critically evaluating available models; learning to balance model realism with analysis flexibility; adapting traditional models to the distinct attributes of the situation being modeled.
Communication skills: Constructing and effectively conveying ideas, suggestions, analyses, and critical thinking in the field of networks; explaining complex network phenomena to diverse audiences (businesses, management, governments); using specialized language of graph theory and network analysis.
Learning skills: Possessing fundamentals to specialize later on network applications relevant to professional careers; developing autonomy in learning new models and network analysis methodologies.

Basic knowledge of linear algebra, analysis, and calculus is required. Good knowledge of random variables and multivariate statistics is also necessary.

48 total hours (6 CFU), entirely composed of classroom lectures.

Learning verification consists of a single oral exam on course program contents.

Exam structure: - Format: Oral exam (duration approximately 30-40 minutes) with the instructor. - Contents: Open-ended questions on all course topics: graph theory, centrality measures, network formation models (random graphs, small-world, scale-free), community detection, network diffusion, game theory applied to networks. - Modality: The instructor poses progressively in-depth questions to verify theoretical knowledge, argumentation ability, deep understanding of principles, and ability to apply concepts to real situations.

Evaluation parameters: Evaluation considers: (1) Deep and correct knowledge of fundamental concepts of graph theory and network models, (2) Argumentation and justification ability of conceptual choices, (3) Conscious application of principles and models to different network contexts, (4) Critical ability to evaluate and critique available models and their limitations, (5) Exposition quality and specialized language use, (6) Ability to connect different topics and provide a coherent view of the discipline.

GradeAssessment Criteria
30 - 30LExcellent and complete mastery of all concepts in graph theory, network models and their applications; impeccable theoretical argumentation; ability to apply models to complex and novel situations; excellent critical view of limitations and strengths of each model; very fluent communication, perfect specialized language use; ability to connect topics across the course.
26 - 29Solid knowledge of fundamental concepts in graph theory and main network formation models; good argumentation and justification ability; conscious understanding of principles and models; ability to apply concepts to specific problems; good critical view of model limitations; good specialized language; adequate topic connection.
22 - 25Fair knowledge of graph theory and main network formation models; adequate but not always in-depth argumentation; sufficiently critical understanding; correct concept application to standard cases; appropriate technical language; some minor errors in topic connection.
18 - 21Minimum requirements: Basic knowledge of graph theory, main types of networks (random, small-world, scale-free) and essential centrality measures; minimal argumentation ability; elementary concept understanding; mechanical model application; difficulty in critical reasoning and analysis of limitations; simple but adequate language.

The instructor will provide scientific articles, notes, and online resources for further study. Although the course does not include mandatory computer laboratory, students are strongly encouraged to independently experiment with network analysis software (Python with NetworkX, R with igraph, Gephi, or Cytoscape) to consolidate understanding of theoretical models.

Detailed Course Program
Introduction and Fundamentals of Network Science (0.5 CFU / 4 hours)
Foundations of Graph Theory and Algebraic Properties of Adjacency, Incidence, and Laplacian Matrices (1.5 CFU / 12 hours)
Statistical Description of Networks (1.5 CFU / 12 hours)
Network Visualization (0.5 CFU / 4 hours)
Network Models (1 CFU / 8 hours)
Community Detection and Clustering (1 CFU / 8 hours)