تحلیل شبكه هاي اجتماعي
این دوره به بررسی علم روابط میپردازد. تحلیل شبکههای اجتماعی (SNA) دریچهای قدرتمند برای درک چگونگی ارتباط افراد، سازمانها و حتی ایدهها با یکدیگر است. از گسترش میمها گرفته تا فروپاشی سیستمهای مالی، شبکهها همان ساختارهای پنهانی هستند که جهان ما را شکل میدهند. ما مفاهیم کلاسیکی همچون «شش درجه جدایی» را کاوش میکنیم، به این میپردازیم که چرا برخی افراد از دیگران تأثیرگذارترند، اتاقهای پژواک چگونه شکل میگیرند، و چگونه میتوان دنیای اجتماعیِ خود را نقشهبرداری کرد بدون آنکه درگیر پیچیدگیهای ریاضیاتی شویم.
این دوره در قالب ۱۲ جلسهٔ فشرده و عملی طراحی شده است و بهصورت تلفیقی از مفاهیم تئوری تحلیل شبکههای اجتماعی، مبانی نظریه گراف، و برنامهنویسی عملی با کتابخانهٔ NetworkX در پایتون ارائه میشود. رویکرد دوره کاملاً کاربردی است و هر جلسه از سه بخش تشکیل شده است: بخش تئوری (برای درک مبانی)، مثالهای عینی (برای ارتباط با دنیای واقعی)، و تمرین برنامهنویسی (برای پیادهسازی مستقیم آموختهها). این دوره برای دانشجویان، پژوهشگران، و علاقهمندان به علوم داده و شبکههای اجتماعی طراحی شده است که آشنایی مقدماتی با پایتون دارند.
سر فصل ها:
-
1 جلسه ۱: مفاهیم پایه و آشنایی با تحلیل شبکه های اجتماعی
- 1-1- تحلیل شبکه های اجتماعی چیست و چرا اهمیت دارد؟
- 2-1- تاریخچه مختصر و کاربردها -شبکه های اجتماعی آنلاین، شبکه های علمی، شبکه های زیستی - شبکه های تکنولوژیکی
-
2 جلسه ۲ : مبانی نظریه گراف – مفاهیم پایه
- 1-2- تعریف گراف: گرهها و یالها
- 2-2- انواع گراف: جهتدار، بدون جهت، وزنی، بدون وزن
- 3-2- روشهای نمایش گراف: ماتریس مجاورت، لیست مجاورت، لیست یالها
- 4-2- گرافهای ساده، چندگراف، و گرافهای کامل
- 5-2- مفاهیم: همسایگی، درجه گره، مسیر، دور
-
3 جلسه ۳ : نمایش و تجسم شبکه ها
- 1-3- اهمیت تجسم در تحلیل شبکههای اجتماعی
- 2-3- الگوریتمهای چیدمان گراف : Spring Layout ، Circular Layout ، Kamada-Kawai
- 3-3- تنظیمات بصری: اندازه گره، رنگ، ضخامت یال
-
4 جلسه ۴ : معیارهای مرکزیت – بخش اول
- 1-4- مرکزیت درجه (Degree Centrality): تعداد ارتباطات مستقیم یک گره
- 2-4- مرکزیت بینابینی (Betweenness Centrality): نقش گره بهعنوان پل میان سایر گرهها
- 3-4- تفسیر و کاربرد هر معیار در دنیای واقعی
-
5 جلسه ۵: معیارهای مرکزیت – بخش دوم
- 1-5- مرکزیت نزدیکی (Closeness Centrality): فاصله میانگین یک گره تا سایر گره ها
- 2-5- مرکزیت بردار ویژه (Eigenvector Centrality): اهمیت یک گره بر اساس اهمیت همسایگانش
- 3-5- مقایسه جامع چهار معیار مرکزیت و کاربرد هرکدام
-
6 جلسه ۶ : معیارهای سطح شبکه – تراکم، قطر و ضریب خوشه بندی
- 1-6- تراکم (Density): نسبت یالهای موجود به حداکثر یالهای ممکن
- 2-6- قطر (Diameter): بلندترین کوتاهترین مسیر در شبکه
- 3-6- ضریب خوشهبندی (Clustering Coefficient): میزان تمایل گرهها به تشکیل گروههای فشرده
- 4-6- فاصله میانگین (Average Shortest Path Length)
-
7 جلسه ۷ : مدلهای شبکه – شبکه های تصادفی، جهان کوچک و بیمقیاس
- 1-7- مدل اردوش–رنی (Erdős–Rényi): شبکه تصادفی
- 2-7- مدل واتس–استروگاتز (Watts–Strogatz): شبکه جهان کوچک
- 3-7- مدل باراباسی–آلبرت (Barabási–Albert): شبکه بی مقیاس
- 4-7- مقایسه ویژگیهای این مدلها
-
8 جلسه ۸ : کشف اجتماعات – مفاهیم و الگوریتمها
- 1-8- اجتماع (Community) چیست؟ گروههای فشرده از گرهها با ارتباطات درونی زیاد
- 2-8- مدولاریتی (Modularity): معیار سنجش کیفیت تقسیم بندی
- 3-8- الگوریتم لووین (Louvain): روش محبوب کشف اجتماعات
- 4-8- الگوریتم انتشار برچسب (Label Propagation)
-
9 جلسه ۹ : تحلیل شبکه های جهتدار – مفاهیم و کاربردها
- 1-9- تفاوت شبکه جهتدار با بدون جهت
- 2-9- مفاهیم: درجه ورودی، درجه خروجی، تقارن
- 3-9- شبکه های دوبخشی (Bipartite Networks) و شبکه های وابستگی (Affiliation Networks)
-
10 جلسه ۱۰ : دینامیک شبکه – انتشار اطلاعات و مدلهای نفوذ
- 1-10- مدل آستانه خطی (Linear Threshold Model)
- 2-10- مدل آبشاری مستقل (Independent Cascade Model)
- 3-10- شناسایی گرههای تأثیرگذار (Influencer Identification)
-
11 جلسه ۱۱ : پروژه عملی – تحلیل یک شبکه اجتماعی واقعی
- 1-11- معرفی مجموعه داده واقعی
- 2-11- مراحل پروژه : . ۱ بارگذاری و پاکسازی داده . ۲ محاسبه معیارهای مرکزیت و شناسایی گرههای کلیدی . ۳ محاسبه معیارهای سطح شبکه . ۴ کشف اجتماعات . ۵ تجسم شبکه با رنگبندی اجتماعات و اندازه گره متناسب با مرکزیت
-
12 جلسه ۱۲ : جمع بندی، کاربردهای پیشرفته و ارائه پروژه
- 1-12- ارائه پروژه های نهایی توسط دانشجویان - منابع برای ادامه یادگیری
- 2-12- مباحث پیشرفته : تحلیل شبکه های پویا (Longitudinal Network Analysis) - یادگیری ماشین مبتنی بر شبکه (Network-Based Machine Learning) - ملاحظات اخلاقی و حریم خصوصی در تحلیل شبکه های اجتماعی -
دکتر علیرضا عبداله پوری دکترای خود را در گرایش شبکه های کامپیوتری از دانشگاه هامبورگ آلمان دریافت نموده و هم اکنون دانشیار گروه مهندسی کامپیوتر دانشگاه کردستان است. وی در حال حاضر در مقاطع کارشناسی ارشد و دکترا دروس «شبکه های پیچیده» و «یادگیری ماشین برای گراف» و در مقطع کارشناسی دروس «شبکه های کامپیوتری»، «معماری کامپیوتر» و «سیستم های عامل» را در دانشگاه کردستان تدریس می کند.
علایق تحقیقاتی او در زمینه های مختلف شبکه های عصبی گراف و شبکه های پیچیده مانند: تشخیص جامعه، حداکثرسازی نفوذ، پیش بینی پیوند، رتبه بندی و معیارهای مرکزیت است.
مهارتها
شبکه های کامپیوتری
معماری کامپیوتر
شبکه های عصبی گراف
