Programa

Curso Introducción a las Redes Complejas

Generalidades

  • Profesor: Dr. Cristian Candia
  • Email: cristiancandia (at) udd (dot) cl
  • Atención a alumnos: Previa cita requerida vía e-mail.

Bibliografia

Libros guía:

Otros

Otras referencias para Social Network Analysis:

  • Easley, D., & Kleinberg, J. Networks, crowds, and markets. Cambridge: Cambridge university press (2010).
  • Wasserman, Stanley, and Katherine Faust. “Social network analysis: Methods and applications.” (1994).

Papers

  • Barabási, A. L., & Albert, R. (1999). Emergence of scaling in random networks. science, 286(5439), 509-512. Link

  • Candia, C., Encarnação, S., & Pinheiro, F. L. (2019). The higher education space: connecting degree programs from individuals’ choices. EPJ Data Science, 8(1), 39. Link.

  • Hidalgo, C. A., Klinger, B., Barabási, A. L., & Hausmann, R. (2007). The product space conditions the development of nations. Science, 317(5837), 482-487. Link

  • Hidalgo, C. A., Castañer, E., & Sevtsuk, A. (2020). The amenity mix of urban neighborhoods. Habitat International, 106, 102205. Link

  • Candia, C., Oyarzún, M., Landaeta, V., Yaikin, T., Monge, C., Hidalgo, C., & Rodriguez-Sickert, C. (2022). Reciprocity heightens academic performance in elementary school students. Heliyon, 8(12). Link

  • Pulgar, J., Candia, C., & Leonardi, P. M. (2020). Social networks and academic performance in physics: Undergraduate cooperation enhances ill-structured problem elaboration and inhibits well-structured problem solving. Physical Review Physics Education Research, 16(1), 010137. Link

  • Albert, R., & Barabási, A. L. (2002). Statistical mechanics of complex networks. Reviews of modern physics, 74(1), 47. Link

  • Grover, A., & Leskovec, J. (2016, August). node2vec: Scalable feature learning for networks. In Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 855-864). Link.

  • Hamilton, W. L., Ying, R., & Leskovec, J. (2017). Representation learning on graphs: Methods and applications. arXiv preprint arXiv:1709.05584. Link

Datasets:

http://networksciencebook.com/translations/en/resources/data.html

Descripción y Objetivos

Este curso constituye una entrada interdisciplinaria al fascinante mundo de las redes complejas y su amplia gama de aplicaciones prácticas. Abordaremos temas desde la estructura matemática subyacente (teoría de grafos) hasta su empleo en la interpretación de fenómenos en campos tan diversos como la biología, la sociología y la tecnología.

Los estudiantes del curso se sumergirán en una exploración inicial de los conceptos, las metodologías y las herramientas esenciales para el análisis de redes complejas (RC). Comenzaremos por reconocer el espectro de las áreas donde las RC tienen relevancia, lo que permitirá a los estudiantes discernir problemas susceptibles de ser abordados con estas técnicas. Posteriormente, adquirirán habilidades para seleccionar las herramientas y métodos más apropiados y efectivos para enfrentar y resolver dichos problemas, así como también para juzgar la eficacia de sus aplicaciones prácticas. Para concluir, se presentarán las perspectivas y pasos a seguir tras la finalización del curso, tanto para aquellos interesados en profundizar en los conocimientos adquiridos como para aquellos que deseen explorar nuevas estrategias y técnicas emergentes en el campo de las redes complejas.

Organización del Curso

  • Tareas: Habrá dos (2) tareas evaluadas que requerirán de la aplicación de trabajo matemático y computacional de análisis de datos. Se espera que los estudiantes entreguen su código fuente para los ejercicios computacionales.

-Trabajo Final: La evaluación final será una presentación oral e informe escrito sobre el estudio completo de un dataset real, cuyo objetivo es extraer valor de dicho dataset usando técnicas de redes.

Las calificaciones finales del curso son:

  • Tareas: 50%
  • Informe y presentación de proyecto: 50%

Contenidos

Clase 1: Introducción a las redes y sistemas complejos

  • Qué es un red y qué es un sistema complejo?
  • Características generales de la ciencia de redes
  • Aplicaciones de redes en investigación

Clase 2: Teoría de grafos

  • Definiciones
  • Enlaces dirigidos y no dirigidas, con peso y sin peso
  • Matrices de adyacencia
  • Distribución de grado: normal, exponencial, log-normal
  • Ajuste de distribución

Clase 3: Estructuras de redes

  • Conceptualización de una red
  • Niveles de una red y proyecciones
  • Importancia de la visualización de las redes
  • Distribucion de grado (general)
  • Instrucciones generales para proyectos

Clase 4: Taller 1 y Tarea 1 Visualización y análisis de redes

  • Funciones básicas NetworkX
  • Matriz de adyacencia
  • Red bipartita y proyecciones

Clase 5: Modelos de formación de redes (aleatoria, mundo pequeño, y adjunción preferencial)

  • Distribucion de grado (matematica)
  • Características y formación de redes aleatorias

Clase 6: Modelos de formación de redes (aleatoria, mundo pequeño, y adjunción preferencial)

  • Modelo Watts-Strogatz
  • Modelo Barabasi-Albert

Clase 7 y 8: Taller 2 y Tarea 2 Conectividad

  • Centralidad y peso: cuales son los nodos mas importantes?
  • Centralidad y Preferential Attachment
  • Taller 2.1 Centralidad y evolucion
  • Taller 2.2 Heatmap using network centrality!**

Clase 9: Taller 3 y Tarea 3 Detección de comunidades

  • Algoritmos

Clase 10: Taller 4 Distribucion de grado

  • Distribucion de grado
  • Visualización de la distribución de grado y distribución de cola pesada

Clase 11: Topologia

  • Medidas de distancia
  • Coeficiente de agrupamiento

Clase 12: Taller 5 Describiendo redes

  • Métricas de redes

Clase 13 y 14: Resumen Final