SOCIAL MEDIA MANAGEMENT

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.

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.

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

Consigliata

• 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

• 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
• James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning. New York: springer.
• 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

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

• 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.