MK EN
ФИНКИ

Subject

Вовед во мрежна наука

1. Course Title Вовед во мрежна наука
Introduction to network science
2. Code F23L3S087
3. Study Programme —
4. Organizer of the study programme (unit, institute, department or division) Faculty of Computer Science and Engineering
5. Degree level (first, second, third cycle) Прв циклус
6. Academic year / semester 6 / Летен
7. Number of ECTS credits 6
8. Teacher Игор Мишковски, Мирослав Мирчев
9. Prerequisites for enrolling in the course Веројатност и статистика или Основи на теорија на информации или Математика 3 или Бизнис статистика
10. Objectives of the course programme (competences) Запознавање со основните концепти од мрежна наука и нивна примена на реални податоци. Оспособување на студентите за анализа на својствата и динамичките процеси во реалните комплексни мрежи и нивно моделирање и визуелизација. Изучување на основните методи за октривање на заедници, оценка на робустноста, оптимизација, податочно рударење и предвидување во комплексни мрежи.
11. Course content Предавања:
1. Вовед во мрежна наука и разгледување на пример социјални, информациски мрежи, биолошки, и техничко-технолошки мрежи. Својства на реални комплексни мрежи: ефект на мал свет, транзитивност на јазли, поврзување со преференца.
2. Модели на реални мрежи: Ердош-Рени, Барабаши-Алберт, Ватс-Строгац.
3. Мерки за централност и алгоритми за рангирање. Робустност на комплексни мрежи.
4. Мрежни структурни својства. Мерки за сличност на јазли и цели графови. Асортативност и дисортативност. Парадокси во социјални мрежи.
5. Откривање на заедници и графлети во комплексни мрежи
6. Динамички процеси во комплексни мрежи: ширење на влијанија, информации и зарази, консензус, синхронизација
7. Машинско учење во графови. Класификација на јазли и предвидување на линкови.
8. Репрезентација и емедирање на јазли и графови.
9. Основни концепти на граф невронски мрежи. Граф конволуциски мрежи (GCN).
10. Генерална архитектура на граф невронски мрежи. GCN, GraphSAGE, GAT (Graph Attention Networks)
11. Примена на граф невронски мрежи. Проширување на графови. Предвидување со граф невронски мрежи. Тренирање на граф невронски мрежи.
12. Хетерогени графови. Повеќеслојни графови. Графови на знаење.

Вежби:
1. Тополошка анализа и визелузација на реални мрежи. Користење на алатки за анализа и визуелизација на својствата со масивни податоци од реални мрежи.
2. Генерирање на мрежи според модели, споредба на својствата на реалните мрежи со генерираните мрежи
3. Употреба на метрики и алгоритми за рангирање на врски и јазли (степен, споивост, блискост, pagerank, hits, богат-клуб) . Одредување на глобална робустност на пример реални мрежи.
4. Испитување на структурни својства во реални мрежи. Проверка на асортативност и дисортативност. Откривање на парадокси во податоци од онлајн социјални мрежи
5. Споредба и имплементирање на различни алгоритми за откривање на заедници и графлети со користење на податоци од реални мрежи.
6. Моделирање и симулација на динамички процеси во комплексни мрежи. Откривање на нови модели базирани на податоци од реални мрежи
7. Машинско учење во графови. Класификација на јазли и предвидување на линкови.
8. Репрезентација и емедирање на јазли и графови.
9. Основни концепти на граф невронски мрежи. Граф конволуциски мрежи (GCN).
10. Генерална архитектура на граф невронски мрежи. GCN, GraphSAGE, GAT (Graph Attention Networks)
11. Примена на граф невронски мрежи. Проширување на графови. Предвидување со граф невронски мрежи. Тренирање на граф невронски мрежи.
12. Хетерогени графови. Повеќеслојни графови. Графови на знаење.
12. Learning methods Предавања поддржани со презентации преку слајдови, интерактивни предавања, вежби (користење на опрема и софтверски пакети), тимска работа, пример случаи, поканети гости предавачи, самостојна изработка и одбрана на проектна задача и семинарска работа, учење во електронско опкружување (форуми, консултации).
13. Total available time 6 ECTS x 30 hours = 180 hours
14. Distribution of available time 30 + 45 + 15 + 15 + 75 = 180 часа
15. Forms of teaching activities
15.1. Lectures - theoretical instruction 30 hours
15.2. Exercises (laboratory, auditory), seminars, teamwork 45 hours
16. Other forms of activities
16.1. Project assignments 15 часови
16.2. Independent assignments 15 часови
16.3. Home study 75 часови
17. Assessment method
17.1. Tests 10 бодови
17.2. Seminar paper / project (presentation: written and oral) 15 бодови
17.3. Activities and learning 10 бодови
17.4. Final exam 50 бодови
18. Grading criteria (points / grade)
up to 50 points5 (five) (F)
from 51 to 60 points6 (six) (E)
from 61 to 70 points7 (seven) (D)
from 71 to 80 points8 (eight) (C)
from 81 to 90 points9 (nine) (B)
from 91 to 100 points10 (ten) (A)
19. Requirement for obtaining a signature and taking the final exam Реализирани активности 15.1 и 15.2
20. Language of instruction Macedonian and English
21. Method for monitoring the quality of teaching internal evaluation and survey mechanism
22. Literature
22.1. Required literature
1. Barabási, Albert-László | Network science | Cambridge university press | 2016
2. Lewis, Ted G. | Network science: Theory and applications | John Wiley & Sons | 2011
3. Newman, Mark | Networks: an introduction | Oxford university press | 2010
4. David Easley and Jon Kleinberg | Networks, Crowds, and Markets: Reasoning About a Highly Connected World | Cambridge University Press | 2010
5. Guido Caldarelli, Alessandro Chessa | Data Science and Complex Networks: Real Cases Studies with Python | Oxford University Press | 2014
6. William L. Hamilton | Graph Representation Learning | Мorgan&Claypool Publishers | 2020
7. Claudio Stamile , Aldo Marzullo , Enrico Deusebio | Graph Machine Learning | Packt Publishing | 2021
22.2. Additional literature
No. Author Title Publisher Year
Деканат Dean’s Office Студии Studies Акти Acts Проекти Projects