NETWORK SCIENCE

Anno accademico
2025/2026 Programmi anni precedenti
Titolo corso in inglese
NETWORK SCIENCE
Codice insegnamento
PHD192 (AF:552552 AR:330706)
Modalità
Crediti formativi universitari
6
Livello laurea
Corso di Dottorato (D.M.226/2021)
Settore scientifico disciplinare
SECS-S/03
Periodo
2° Periodo
Anno corso
2
Sede
VENEZIA
Spazio Moodle
Link allo spazio del corso
Alla fine del Corso gli studenti saranno in grado di applicare i metodi descrittivi e i modelli per l’analisi di dati relazionali raccolti in diversi contesti. In particolare, gli studenti potranno: - descrivere I metodi introdotti e analizzare i loro aspetti comuni e differenze - identificare i metodi adeguati ad analizzare i dati e rispondere ad una particolare domanda di ricerca - effettuare l’analisi usando il software: analisi descrittive, stima dei parametri, interpretazione, e revisione critica dei risultati ottenuti - spiegare I modelli ed illustrare I risultati anche a coloro che non hanno familiarità con i metodi di analisi delle reti
- Corso “Mathematics for management studies'”, prof. Marco Tolotti - A sound understanding of estimation methods, hypothesis testing and linear regression models (OLS)
Il corso tratta i seguenti argomenti: - Introduzione ai dati relazionali, alla notazione e ai concetti di base, e al software R - Statistiche descrittive di rete (distribuzioni dei gradi, centralità e clustering) - Introduzione ai modelli per dati reticolari - Exponential Random Graph Models - Stochastic actor-oriented models per le dinamiche di network e outcome individuali - Estensioni dei modelli introdotti e altri modelli
- Slides e materiale fornite dal docente - Robins, G., Pattison, P., Kalish, Y., and Lusher, D. (2007). An introduction to exponential random graph ($p^*$) models for social networks. Social networks, 29(2): 173-191. - Lusher, D., Koskinen, J., and Robins, G. (Eds.). (2013). Exponential random graph models for social networks: Theory, methods, and applications. Cambridge University Press. - Snijders, T. A. B., Van de Bunt, G.G., and Steglich, C. (2010). Introduction to stochastic actor-based models for network dynamics. Social networks 32(1): 44-60.
Un elaborato (massimo 3,000 parole) che consiste nell'analisi di dati di rete in un contesto specifico da concordare con il docente.
Scritto
A. I punteggi nella fascia 18-22 verranno attribuiti in presenza di: - Sufficiente conoscenza e capacità di comprensione applicata in riferimento al programma; - Sufficiente capacità di risolvere i problemi proposti; - Sufficiente competenza nell'uso di Python; - Limitata capacità di spiegare il procedimento matematico sotteso alla risoluzione degli esercizi proposti. B. I punteggi nella fascia 23-26 verranno attribuiti in presenza di: - Discreta conoscenza e capacità di comprensione applicata in riferimento al programma; - Discreta capacità di risolvere i problemi proposti; - Discreta competenza nell'uso di Python; - Discreta capacità di spiegare il procedimento matematico sotteso alla risoluzione degli esercizi proposti. C. I punteggi nella fascia 27-30 verranno attribuiti in presenza di: - Buona o ottima conoscenza e capacità di comprensione applicata in riferimento al programma; - Buona o ottima capacità di risolvere i problemi proposti; - Buona o ottima competenza nell'uso di Python; - Buona o ottima capacità di spiegare il procedimento matematico sotteso alla risoluzione degli esercizi proposti. D. La lode verrà attribuita in presenza di: - Ottima conoscenza e capacità di comprensione applicata in riferimento al programma; - Eccellente capacità di risolvere i problemi proposti; - Eccezionale competenza nell'uso di Python; - Eccellente capacità di esposizione e spiegazione nella risoluzione degli esercizi.
Lezioni frontali e laboratori. I laboratori illustrano i metodi introdotti nelle lezioni frontali usando dati raccolti in differenti contesti e il software R
Programma definitivo.