SOCIAL MEDIA MANAGEMENT
Anno accademico 2016/2017 - 3° anno - Curriculum ACrediti: 6
SSD: INF/01 - Informatica
Organizzazione didattica: 150 ore d'impegno totale, 102 di studio individuale, 48 di lezione frontale
Semestre: 1°
Obiettivi formativi
l 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
Nessuno
Frequenza lezioni
Consigliata
Contenuti del corso
Il corso include i seguenti argomenti:
- 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
- R. Zafarani, M. A. Abbasi, H. Liu, Social Media Mining - An Introduction, Cambridge University Press, 2014
- J. Leskovec, A. Rajaraman, J. D. Ullman, Mining of Massive Datasets, Cambridge Press, 2011
- 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
- Murphy, Machine Learning – A Probabilistic Perspective, The MIT Press, 2012
- R. C. Gonzales, R.E. Woods, Elaborazione delle Immagini Digitali, Pearson Italia 2008
- R. Szeliski, Computer Vision: Algorithms and Application, Springer 2010
- S. J.D. Prince, Computer Vision: Models, Learning, and Inference, Cambridge University Press, 2012
- First Contact with Tensor Flow, Jordi Torres, 2016
Programmazione del corso
| * | Argomenti | Riferimenti testi | |
|---|---|---|---|
| 1 | * | Social Media, Computational Social Science e Marketing Digitale | 1 |
| 2 | * | Big Data, Sentiment Analysis e Visual Analytics | 1, 2 |
| 3 | * | API e librerie per l'estrapolazione, il trattamento e la visualizzazione dei dati presenti nei Social Media | 11 |
| 4 | * | Algoritmi di Machine Learning e Pattern Recognition applicati al contesto dei Social Media | 1, 2, 3, 4, 5, 6, 7 |
| 5 | * | Algoritmi di Computer Vision per il trattamento delle immagini nel contesto dei Social Media | 8, 9, 10 |
| 6 | * | Deep Learning | 5, 11 |
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 lo pseudocodice della discesa del gradiente