SOCIAL MEDIA MANAGEMENT
Anno accademico 2019/2020 - 3° anno - Curriculum A
Docente: Antonino FURNARI
Crediti: 6
Organizzazione didattica: 150 ore d'impegno totale, 102 di studio individuale, 24 di lezione frontale, 24 di esercitazione
Semestre: 1°
Crediti: 6
Organizzazione didattica: 150 ore d'impegno totale, 102 di studio individuale, 24 di lezione frontale, 24 di esercitazione
Semestre: 1°
Obiettivi formativi
- 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.
- 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.
- 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.
- 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.
- 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
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: sentiment analysis e topic modeling
- 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
Testi di riferimento
- R. Zafarani, M. A. Abbasi, H. Liu, Social Media Mining - An Introduction, Cambridge University Press, 2014
- C. Bishop, Pattern Recognition and Machine Learning, Springer, 2006
- E. Alpaydin, Introduction to Machine Learning, The MIT Press, 2009
- Y. Bengio, I. J. Goodfellow, A.Courville, Deep Learning, Book in preparation for MIT Press, 2015
- Duda, P. E. Hart, D. G. Stork, Pattern Classification (2nd ed.), Wiley, 2000
- R. Szeliski, Computer Vision: Algorithms and Application, Springer 2010
Programmazione del corso
| Argomenti | Riferimenti testi | |
|---|---|---|
| 1 | Introduzione ai Social Media. | Materiale didattico fornito su Studium e risorse online. |
| 2 | Cenni di teoria della probabilità | Materiale didattico fornito su Studium. Parti del capitolo 1 di ''Pattern Recognition and Machine Learning'', capitolo 2 di ''Deep Learning''. |
| 3 | Social Media API e Web Scraping | Materiale didattico fornito su Studium e risorse online. |
| 4 | Introduzione agli elementi fondamentali del Machine Learning. | Materiale didattico fornito su Studium e risorse online. Parti del capitolo 1 di "Pattern Recognition and Machine Learning", parti del capitolo 3 di "Deep Learning". |
| 5 | Introduzione all'analisi dei testi | Materiale didattico fornito su Studium e risorse online. |
| 6 | Problema della classificazione e misure di valutazione | Materiale didattico fornito su Studium e risorse online. |
| 7 | Algoritmo K-Nearest Neighbor | Materiale didattico fornito su Studium. Sezione 2.5.2 di "Pattern Recognition e Machine Learning" |
| 8 | Classificazione MAP e Naive Bayes | Materiale didattico fornito su Studium e risorse online. |
| 9 | Regressione Lineare | Materiale didattico fornito su Studium e risorse online.Sezione 3.1 di ''Patttern Recognition e Machine Learning'' |
| 10 | Regressione Polinomiale e Logistica | Materiale didattico fornito su Studium e risorse online. |
| 11 | Modello Bag of Visual Words | Materiale didattico fornito su Studium e risorse online. |
| 12 | Sistemi di Raccomandazione | Materiale didattico fornito su Studium e risorse online. Capitolo 9 di "Mining Massive Datasets" (http://www.mmds.org/#book) |
| 13 | Analisi avanzata di testi: sentiment analysis e topic modeling. | Materiale didattico fornito su Studium e risorse online. |
Verifica dell'apprendimento
Modalità di verifica dell'apprendimento
Scritto, progetto e colloquio orale
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