Accedi e iscriviti
GraphAI: Machine Learning per le reti complesse
GraphAI: Machine Learning per le reti complesse
Dai grafi complessi alle Graph Neural Networks: Machine Learning per reti reali con Python
Descrizione del corso
Impara a leggere il mondo come una rete (persone, pagine web, città, molecole) e a farci sopra intelligenza artificiale. In quattro settimane, con Python e NetworkX, passerai dalla costruzione e misura di reti reali (degree, clustering, centralità, comunità) al Machine Learning sui grafi, fino alle Graph Neural Networks (GCN, GraphSAGE, GAT) e alle reti che evolvono nel tempo. Un percorso pratico, con video brevi, notebook ed esercizi, per fare previsioni e raccomandazioni su nodi, link e intere reti.
Carico di lavoro totale del corso: 150 ore
Questo MOOC è stato prodotto nell’ambito del progetto Edvance - Digital Education Hub per la Cultura Digitale Avanzata. Il progetto è finanziato dall’Unione europea - Next Generation EU, Componente 1, Investimento 3.4 “Didattica e competenze universitarie avanzate".
Risultati di Apprendimento Attesi
Al termine del corso lo studente sarà in grado di:
- Rappresentare sistemi reali come grafi e reti (nodi, archi, pesi, direzionalità) usando Python e NetworkX;
- Calcolare e interpretare le principali proprietà strutturali di una rete (degree distribution, clustering, centralità, assortatività, comunità) e riconoscere i modelli generativi (Erdős–Rényi, Barabási–Albert, Watts–Strogatz) che le producono;
- Analizzare fenomeni dinamici su rete, come la diffusione di informazioni o epidemie, collegandoli alle proprietà strutturali osservate;
- Costruire pipeline di Machine Learning classico su dati di rete (feature engineering, node classification, link prediction) e graph embeddings (DeepWalk, node2vec);
- Progettare, addestrare e valutare Graph Neural Networks (GCN, GraphSAGE, GAT) con PyTorch Geometric per compiti di classificazione e predizione su grafi;
- Estendere l'analisi di rete al dominio temporale, applicando modelli sequenziali (RNN, LSTM, GRU) e Temporal GNN a reti che evolvono nel tempo;
- Valutare criticamente le prestazioni e i limiti dei modelli di Machine Learning su grafi confrontandoli su casi di studio reali (Karate Club, Coauthor CS, rete di traffico).
Prerequisiti
- Conoscenze di base di algebra lineare (vettori, matrici) e di statistica descrittiva.
- Familiarità con i concetti di variabile, funzione e grafico.
- Conoscenza di base della programmazione in Python (funzioni, liste, cicli); non è richiesta esperienza pregressa con reti neurali o deep learning, che vengono introdotti nel corso.
Attività
- Lezioni video per ogni modulo tematico;
- Quiz intermedi di autovalutazione al termine di ciascuna lezione;
- Quiz settimanali finali (uno per settimana);
- Esercitazioni pratiche in Python su notebook;
- Quiz finale complessivo sull'intero corso.
Schema della sezione
-
-
-
-
-
-
-
Trascrizioni video Cartella
-
Valutazione
Il corso prevede l’erogazione di un Open Badge, ottenibile sulla base del punteggio raggiunto rispondendo ai quiz valutati. Hai tentativi illimitati di risposta per ciascun quiz ma dovrai attendere 15 minuti. Il corso si considera completato in modo adeguato all'ottenimento del certificato se raggiungerai almeno il 60% del punteggio complessivo in ciascuno dei quiz valutati. Il punteggio massimo ottenibile in ciascun quiz è indicato all’inizio del quiz stesso. Puoi vedere il punteggio che hai ottenuto nel quiz in corrispondenza dell’ultimo tentativo fatto oppure nella pagina “Valutazione”.
Attestato
Il corso prevede l’erogazione di un Open Badge rispondendo correttamente ad almeno il 60% delle domande in ciascuno dei quiz valutati e rispondendo al questionario finale.
Una volta completate le attività richieste potrai accedere a “Ottieni l’Open Badge”, avviando il rilascio del badge. Le indicazioni per accedere al badge saranno inviate al tuo indirizzo e-mail.
L’Open Badge non è un certificato ufficiale e non dà diritto a crediti universitari, a voti o a diplomi.
Accesso al corso e disponibilità dei materiali
Il corso è erogato in modalità online e gratuito.
Docenti del corso
Giacomo Fiumara
Docente
Contatti
Per qualsiasi informazioni sul corso o per problemi tecnici scrivi a pok@polimi.it o consulta la pagina delle FAQ.