SOCIAL MEDIA MANAGEMENT

Anno accademico 2022/2023 - Docente: ANTONINO FURNARI

Risultati di apprendimento attesi

  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 da essi provenienti.
  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 i laboratori e i progetti assegnati agli studenti, essi saranno 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. La prova orale prevista per il superamento dell'esame sarà utile a sviluppare le abilità comunicative dei discenti.

Modalità di svolgimento dell'insegnamento

Lezioni frontali e laboratorio. Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte le necessarie variazioni rispetto a quanto dichiarato in precedenza, al fine di rispettare il programma previsto e riportato nel syllabus.

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
  • Metodi Matematici e Statistici

Frequenza lezioni

Consigliata

Contenuti del corso

  • Social media: definizione, caratteristiche e breve storia
  • API e librerie per l'estrapolazione, il trattamento e la visualizzazione dei dati presenti nei Social Media, Web Scraping
  • Metodi per la rappresentazione e il processamento di testi
  • Strumenti avanzati per l’analisi di testi: bag of words model, sentiment analysis, word embeddings
  • Sistemi di raccomandazione
  • 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
  • Librerie in Python per l'analisi di dati provenienti dai social media

Testi di riferimento

Programmazione del corso

 ArgomentiRiferimenti testi
1Introduzione ai Social MediaMateriale didattico fornito dal docente e risorse online.
2Cenni di teoria della probabilitàMateriale didattico fornito dal docente e risorse online. Parti del capitolo 1 di ''Pattern Recognition and Machine Learning'', capitolo 2 di ''Deep Learning''.
3Social Media API e Web ScrapingMateriale didattico fornito dal docente e risorse online.
4Introduzione agli elementi fondamentali del Machine Learning.Materiale didattico fornito dal docente e risorse online. Parti del capitolo 1 di ''Pattern Recognition and Machine Learning'', parti del capitolo 3 di ''Deep Learning''.
5Introduzione all'analisi dei testiMateriale didattico fornito dal docente e risorse online.
6Problema della classificazione e misure di valutazioneMateriale didattico fornito dal docente e risorse online. Sezione 4.1 di ''An Introduction to Statistical Learning''
7Algoritmo di classificazione K-Nearest NeighborMateriale didattico fornito dal docente e risorse online. Sezione 2.5.2 di ''Pattern Recognition e Machine Learning''
8Classificazione MAP e Naive BayesMateriale didattico fornito dal docente e risorse online.
9Regressione LineareMateriale didattico fornito dal docente e risorse online. Sezione 3.1 di ''Patttern Recognition e Machine Learning''. Capitolo 3 di ''An Introduction to Statistical Learning''
10Regressione Polinomiale e LogisticaMateriale didattico fornito dal docente e risorse online. Sezione 4.3 di ''An Introduction to Statistical Learning''. Sezione 7.1 di ''An Introduction to Statistical Learning''
11Modello Bag of Visual WordsMateriale didattico fornito dal docente e risorse online.
12Sistemi di RaccomandazioneMateriale didattico fornito dal docente e risorse online. Capitolo 9 di ''Mining Massive Datasets'' (http://www.mmds.org/#book)
13Analisi avanzata di testi: sentiment analysis, bag of words, word embeddingsMateriale didattico fornito dal docente e risorse online.

Verifica dell'apprendimento

Modalità di verifica dell'apprendimento

Scritto, progetto e colloquio orale. La verifica dell’apprendimento potrà essere effettuata anche per via telematica, qualora le condizioni lo dovessero richiedere.

Esempi di domande e/o esercizi frequenti

  • Si illustrino i passaggi principali dell’algoritmo di rappresentazione Bag of Visual Words, discutendo le similarità con il modello Bag of Words.
  • Si illustri l’algoritmo GloVe utilizzando l’opportuna notazione. Si discuta qual è la principale intuizione dietro l’algoritmo. Si scriva la funzione costo utilizzata per ottimizzare il modello.
  • Si illustri l’algoritmo VADER definendo i vari passaggi necessari per associare uno score di polarità a un testo.
  • Si illustri l’algoritmo Naive Bayes. Si spieghi perché viene introdotta l’ipotesi naive e in che modo viene implementato l’algoritmo.
  • Si definiscano gli elementi fondamentali di una espressione regolare. Si riporti qualche esempio di espressione regolare e match ottenuti da un testo di esempio.
  • Si definiscano i passi fondamentali di una pipeline di Natural Language Processing (NLP). Si discuta l’obiettivo di ciascuno di questi passi e il funzionamento generale degli algoritmi coinvolti.
  • Si illustri l’algoritmo di rappresentazione Bag of Words. Si illustrino i passaggi fondamentali dell’algoritmo e si facciano degli esempi per discutere la logica dietro l’algoritmo. Si discutano le normalizzazioni L1 e TF-IDF, e si spieghi qual è l’effetto di queste normalizzazioni.