דרישות קדם: תכנות, מבוא להסתברות

תיאור הקורס ומטרותיו

הקורס מקנה היכרות רב-תחומית לתחום המתפתח של רשתות מורכבות ויישומיהן. בחלקו הראשון של הקורס נלמד נושאים תאורטיים העומדים בבסיסו של התחום. בין היתר נסקור נושאים שונים מתורת הגרפים, מודלים לייצור רשתות אקראיות ואפיון תכונות של רשתות. בחלקו השני של הקורס נלמד כיצד לנתח נתונים שונים ולייצר מהם מודלים של רשתות, ובנוסף נסקור מספר יישומים של מדע הרשתות בתחומים כמו ביולוגיה, כלכלה, אבטחת מידע, ועוד. במהלך הקורס נסקור מחקרים פורצי דרך בתחום לרבות מחקרים עדכניים מדיסציפלינות שונות, וישולבו מספר הרצאות אורח של אנשים מהתעשייה. במסגרת הקורס יתנסו התלמידים בפרויקט מעשי בו יחקרו רשת לפי בחירתם, ויציגו את תוצאותיהם בפני שאר הכיתה.

המטלות בקורס והרכב הציון -            70%    פרויקט יישומי + הצגת פרויקט

15%    מטלת בית חומר תיאורטי

15%    הצגת מאמר (זוגות)

ציון מעבר בקורס מותנה בציון מעבר בבחינה.

מתכונת ההוראה

הרצאה: 3 שעות הרצאה שבועיות.

נק"ז: 3

ביצוע מטלות – מטלות בית ופרויקט יישומי בנושאי הקורס.

לימוד כלי תכנה - מטלות הקורס תדרושנה היכרות עם שפת Python, ולימוד עצמי של מספר כלי תוכנה אחרים. סקירת הכלים במהלך הקורס תהיה בסיסית והסטודנטים יידרשו לרכוש את יכולות העבודה הדרושות לשימוש בהם בכוחות עצמם.

אתר הקורס - האתר יכלול שקפים של ההרצאות, חומר תרגול, עבודות בית, פתרונות, ציונים, קבוצות דיון, וקישורים לאתרים רלוונטיים. דרך האתר יימסרו הודעות הנוגעות להתנהלות הקורס וכל הודעה שתימסר באתר ע"י צוות הקורס תחשב כמחייבת. באחריות כל סטודנט המשתתף בקורס לוודא גישה לאתר ולהתעדכן באמצעות ההודעות וחומר ההוראה המתפרסמים בו.

ספרי הלימוד וקישורים:

Network Science, Albert-László Barabási (required)
 

Linked –Albert-László Barabási. (recommended)
 

Networks – an Introduction, Mark Newman, Oxford University Press  (recommended)

תוכנית הקורס:                                                                                                

Lecture 1: Intro - complexity, the network paradigm, connectivity, real-world complex systems, impact and relevance.

Lecture 2: The Bridges of Königsberg, networks and Graphs, degree, average degree, degree Distribution, adjacency matrix, sparse networks, weighted networks, bipartite networks, and multiplex networks.

Lecture 3: Introduction to probabilistic (random) models, Erdős–Rényi model, and small world model.

Lecture 4: Power Laws and Scale-Free Networks, hubs, Configuration Model, Barabási–Albert model, Fitness model, degree and strength correlation.

Lecture 5: Shannon’s entropy, maximum-entropy ensembles, maximum likelihood parameter estimation, applications to networks.

Lecture 6: Community structures, hierarchical clustering, modularity, modularity maximization, Leuven algorithm, benchmarks, spectral decomposition, overlapping communities.

Lecture 7:  Spreading phenomena, epidemic modeling, SI model, SIS model, SIR model, temporal Networks.

Lecture 8:  Using Python NetworkX package to load, process, manipulate and visualize networks.

Lecture 9: Systemic risk, interbank loans networks, debt networks, the international trade network, and selected topics.

Lecture 10: The World Wide Web, page rank, Dunbar's number, social networks, contagion on networks, and selected topics.

Lecture 11: Time series, Pearson correlation, correlation matrix, eigenvalue decomposition, functional brain networks, stock market structure, and selected topics

Lecture 12: Spreading of computer viruses, vulnerability of computer networks, intelligence applications, anonymization of networks.