Analiza sieci i systemy rekomendacyjne 1100-12-G13-DS-ASiSR

Przedmiot prowadzony jest w formie wykładu oraz ćwiczeń. Ćwiczenia realizowane są w laboratorium komputerowym i dotyczą większości zagadnień omawianych podczas wykładu.

Program wykładu – W1, W2, W3, K1:
1) Elementy teorii grafów
2) Sieci złożone
- Podstawowe pojęcia
- Przykłady i własności sieci rzeczywistych
- Metryki sieci
- Rodzaje sieci
- Sieci społecznościowe
- Metody wykrywania społeczności
3) Systemy rekomendacyjne
- Istota i podstawowe pojęcia
- Rodzaje systemów rekomendacyjnych
- Macierze użyteczności i modele preferencji użytkownika
- Algorytmy tworzenia rekomendacji
- Ewaluacja systemów rekomendacji
- Przykłady rzeczywistych systemów rekomendacyjnych

Program ćwiczeń – U1, U2, K1:
1) Analiza własności grafów i sieci
2) Wykrywanie społeczności
3) Sieci rzeczywiste – studia przypadków
4) Systemy rekomendacyjne – studia przypadków
5) Tworzenie systemów rekomendacyjnych

Całkowity nakład pracy studenta

Studia stacjonarne 1) Wykład: 15 godzin, ćwiczenia: 15 godzin, konsultacje: 20. 2) Praca własna studenta - przygotowanie do zajęć: 25 godzin. 3) Praca własna studenta - przygotowanie do uczestnictwa w procesie oceniania: 25 godzin. Razem nakład pracy studenta 100 godzin. Studia niestacjonarne 1) Wykład: 9 godzin, ćwiczenia: 9 godzin, konsultacje: 20. 2) Praca własna studenta - przygotowanie do zajęć: 31 godzin. 3) Praca własna studenta - przygotowanie do uczestnictwa w procesie oceniania: 31 godzin. Razem nakład pracy studenta 100 godzin.

Efekty uczenia się - wiedza

Wykład: W1: Absolwent zna i rozumie w zaawansowanym stopniu metody właściwego pozyskiwania danych i ich przetwarzania dla celów analizy sieci oraz tworzenia systemów rekomendacyjnych - K_W08. W2: Absolwent zna w zaawansowanym stopniu i rozumie możliwość wykorzystania systemów rekomendacyjnych do oferowania usług lub produktów przez podmioty prowadzące działalność gospodarczą – K_W08, K_W09. W3: Absolwent zna w zaawansowanym stopniu metodykę teorii grafów i sieci – K_W10. Ćwiczenia: W1: Absolwent zna i rozumie w zaawansowanym stopniu metody właściwego pozyskiwania danych i ich przetwarzania dla celów analizy sieci oraz tworzenia systemów rekomendacyjnych - K_W08. W2: Absolwent zna w zaawansowanym stopniu i rozumie możliwość wykorzystania systemów rekomendacyjnych do oferowania usług lub produktów przez podmioty prowadzące działalność gospodarczą – K_W08, K_W09. W3: Absolwent zna w zaawansowanym stopniu metodykę teorii grafów i sieci – K_W10.

Efekty uczenia się - umiejętności

Ćwiczenia: U1: Absolwent potrafi stosować metodykę teorii grafów i sieci do analizy powiązań w sieciach rzeczywistych – K_U04, K_U12. U2: Absolwent potrafi stosować narzędzia tworzenia i analizy systemów rekomendacyjnych – K_U04, K_U12.

Efekty uczenia się - kompetencje społeczne

Ćwiczenia: K1: Absolwent potrafi trafnie określić problem i znaleźć właściwą metodę jego rozwiązania, przestrzegając etycznych norm zawodowych i zasad postępowania - K_K01, K_K03.

Metody dydaktyczne podające

- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące

- studium przypadku
- ćwiczeniowa

Wymagania wstępne

- wiedza z zakresu podstaw data science i uczenia maszynowego - znajomość metod analityki predykcyjnej (uczenie nadzorowane) - podstawowa znajomość matematyki wyższej oraz statystyki - znajomość podstaw języka Python

Koordynatorzy przedmiotu

Witold Orzeszko

Kryteria oceniania

Wykład: egzamin pisemny – W1, W2, W3.

Ćwiczenia:
- projekt – U1, U2, K1,
- przygotowanie do zajęć / aktywność - W1, W2, W3.

W1 – Egzamin pisemny +++, Obserwacja ++
W2 - Egzamin pisemny +++, Obserwacja ++
W3 - Egzamin pisemny +++, Obserwacja ++
U1 - Projekt +++, Obserwacja +++
U2 - Projekt +++, Obserwacja +++,
K1 - Projekt +++, Obserwacja +

Literatura

Literatura obowiązkowa:
F. Ricci, L. Rokach, B. Shapira, P. Kantor, “Recommender Systems Handbook”, 2011
A. Fronczak, P. Fronczak, „Świat sieci złożonych. Od fizyki do Internetu”, 2021
G. Caldarelli, A. Chessa, “Data Science and Complex Networks: Real Case Studies with Python”, 2016

Literatura uzupełniająca:
D. Schall, „Social Network-Based Recommender Systems”, 2015
P. Victor, C. Cornelis, M. De Cock, “Trust Networks for Recommender Systems”, 2011
G. Xu, Y. Zhang, L. Li, “Web Mining and Social Networking”, 2011

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu 1100-12-G13-DS-ASiSR w USOSweb