SOCIAL MEDIA MANAGEMENT

Anno accademico 2017/2018 - 3° anno - Curriculum A
Docente: Giovanni Maria FARINELLA
Crediti: 6
SSD: INF/01 - Informatica
Organizzazione didattica: 150 ore d'impegno totale, 102 di studio individuale, 48 di lezione frontale
Semestre:

Obiettivi formativi

  1. Conoscenza e capacità di comprensione (knowledge and understanding): lo studente acquisirà le conoscenze e i concetti alla base dei social media e dell'analisi dei dati
  2. Capacità di applicare conoscenza e comprensione (applying knowledge and understanding): lo studente acquisirà le competenze pratiche di realizzazione di sistemi di analisi dei dati estratti dai social media
  3. Autonomia di giudizio (making judgements): Attraverso gli homework e le correzioni in classe degli stessi lo studente sarà in grado di elaborare autonomamente soluzioni in grado di risolvere i problemi di base che potrebbero presentarsi nel mondo del lavoro
  4. Abilità comunicative (communication skills): lo studente acquisirà le necessarie abilità comunicative e di appropriatezza espressiva nell'impiego del linguaggio tecnico nell'ambito generale dei social media e dell'analisi dei dati.
  5. Capacità di apprendimento (learning skills): ll corso si propone di approfondire teorie e tecniche utili per la creazione di sistemi di analisi di dati multimediali (immagini, testo, tag, metadati) presenti nei social media. I discenti acquisiranno conoscenze e capacità utili all'analisi di grosse moli di dati multimediali presenti nei social media. Le conoscenze acquisite saranno applicate attraverso attività laboratoriali e progettuali. Agli studenti verranno assegnati homework utili a sviluppare una capacità di apprendimento e di autonomia di giudizio. La prova orale prevista per il superamento dell'esame sarà utile a sviluppare le abilità comunicative dei discenti.

     


Prerequisiti richiesti

Non si richiedono prerequisiti specifici. Si utilizzeranno nozioni di base delle seguenti materie:

Elementi di Analisi Matematica

Matematica Discreta

Fondamenti di Informatica

Programmazione

Interazione e Multimedia

Algoritmi


Frequenza lezioni

Consigliata


Contenuti del corso

  • Social Media, Computational Social Science e Marketing Digitale
  • Big Data, Sentiment Analysis e Visual Analytics
  • API e librerie per l'estrapolazione, il trattamento e la visualizzazione dei dati presenti nei Social Media
  • Algoritmi di Machine Learning e Pattern Recognition applicati al contesto dei Social Media
  • Algoritmi di Computer Vision per il trattamento delle immagini nel contesto dei Social Media
  • Deep Learning

Testi di riferimento

  1. R. Zafarani, M. A. Abbasi, H. Liu, Social Media Mining - An Introduction, Cambridge University Press, 2014
  2. J. Leskovec, A. Rajaraman, J. D. Ullman, Mining of Massive Datasets, Cambridge Press, 2011
  3. C. Bishop, Pattern Recognition and Machine Learning, Springer, 2006
  4. E. Alpaydin, Introduction to Machine Learning, The MIT Press, 2009
  5. Y. Bengio, I. J. Goodfellow, A.Courville, Deep Learning, Book in preparation for MIT Press, 2015
  6. Duda, P. E. Hart, D. G. Stork, Pattern Classification (2nd ed.), Wiley, 2000
  7. Murphy, Machine Learning – A Probabilistic Perspective, The MIT Press, 2012
  8. R. C. Gonzales, R.E. Woods, Elaborazione delle Immagini Digitali, Pearson Italia 2008
  9. R. Szeliski, Computer Vision: Algorithms and Application, Springer 2010
  10. S. J.D. Prince, Computer Vision: Models, Learning, and Inference, Cambridge University Press, 2012
  11. First Contact with Tensor Flow, Jordi Torres, 2016


Programmazione del corso

 *ArgomentiRiferimenti testi
1*Social Media, Computational Social Science e Marketing Digitale
2*Big Data, Sentiment Analysis e Visual Analytics1, 2 
3*API e librerie per l'estrapolazione, il trattamento e la visualizzazione dei dati presenti nei Social Media11 
4*Algoritmi di Machine Learning e Pattern Recognition applicati al contesto dei Social Media1, 2, 3, 4, 5, 6, 7 
5*Algoritmi di Computer Vision per il trattamento delle immagini nel contesto dei Social Media8, 9, 10 
6*Deep Learning5, 11 
* Conoscenze minime irrinunciabili per il superamento dell'esame.

N.B. La conoscenza degli argomenti contrassegnati con l'asterisco è condizione necessaria ma non sufficiente per il superamento dell'esame. Rispondere in maniera sufficiente o anche più che sufficiente alle domande su tali argomenti non assicura, pertanto, il superamento dell'esame.

Verifica dell'apprendimento

Modalità di verifica dell'apprendimento

Prova orale e progetto


Esempi di domande e/o esercizi frequenti

- Descrivere l'algoritmo e scrivere lo pseudocodice della discesa del gradiente

- Si discuta la formula di Bayes

- Si discuta la rappresentazione Bag of Words model