Social Computing

Worum geht's

Du lernst Grundlagen und Methoden des Social Computing: Konzepte von Social Media, Social Networking und sozialen Kontexten sowie soziometrische Methoden (Zentralität, Dichte, Clustering), Metriken realer Netzwerke, Modelle sozialer Beziehungen in Raum und Zeit, Social Signal Processing und Grundlagen der Spieltheorie. Am Ende kannst du diese Konzepte für die Konzeption, Implementierung und Forschung von Social-Computing-Anwendungen anwenden.

Was du danach kannst

Grundbegriffe und Konzepte des Social Computing verstehen
soziometrische Methoden (Zentralität, Dichte, Clustering) anwenden
metrische Eigenschaften und Modelle realer Netzwerke analysieren
Modelle sozialer Beziehungen in Raum und Zeit nutzen
Grundlagen des Social Signal Processing und der Spieltheorie anwenden
Fachpublikationen lesen und fachlich einordnen
eigene Algorithmen und soziotechnische Lösungsansätze entwickeln

Aus was das Modul besteht

VorlesungVermittlung der Grundlagen und Konzepte des Social Computing
praktische ÜbungenEinarbeitung und Anwendung der Konzepte; Erfassen und Analysieren von Daten, Auswertung mit eigenen Programmen und Fremdsoftware; in Kleingruppen oder individuell

Lehrmethode

VorlesungEinführung in Konzepte, Modelle und Algorithmen
praktische Übungen (blockweise)Einüben und Anwenden der Vorlesungsinhalte an Datensätzen; Präsentation der Ergebnisse
E-Learning ForenBetreuung der Übungen und Diskussion

Solltest du schon können

Inhalte des Bachelors Informatikempfohlen

Prüfung

Klausurfreiwillige benotete MidtermleistungIPython-Aufgabenschriftlich

Die Prüfungsleistung ist eine 90-minütige Klausur mit 25 Aufgaben (je 10 Punkte), die Wissen und Kompetenzen wie Erinnern, Verknüpfen, Anwenden und Bewerten prüft. Zusätzlich gibt es eine freiwillige benotete Midtermleistung aus sechs IPython-Aufgabenblättern (Projektcharakter, Abgabe elektronisch, Bearbeitungszeit je eine Woche). Die Midtermleistung wird nur angerechnet, wenn sie die Klausurnote verbessert; sie kann die Gesamtnote um bis zu 50% beeinflussen bzw. bei durchschnittlich 2,0 oder besser einen Bonus von 0,3 gewähren.

Literatur

Henry Pötzl - A Review on Social Games and Mobile Social Games (Master’s thesis, TUM Informatics, 2012)
Georg Groh - Contextual Social Networking (Habilitation thesis, TUM Informatics, 2018)
D. Koschützki, K. Lehmann, L. Peeters, S. Richter, D. Tenfelde-Podehl, O. Zlotowski - Centrality Indices (in U. Brandes, T. Erlebach (Eds.) Network Analysis, LNCS 3418, Springer, 2004)
Mark E. J. Newman - A measure of betweenness centrality based on random walks (arXiv cond-mat/0309045, 2003)
Sven Kosub - Local Density (in U. Brandes, T. Erlebach (Eds.) Network Analysis, LNCS 3418, 2004)
M. Gaertler - Clustering (in Brandes, Erlebach (eds.) Network Analysis, LNCS 3418, Springer, 2005)
M. Newman - The structure and function of complex networks (SIAM Review, 2003)
C. Bishop - Pattern Recognition and Machine Learning (Springer, 2006), Kapitel 9
D. Fudenberg, J. Tirole - Game Theory (MIT Press, 1991), Kapitel 1
Michael Wooldridge - An Introduction to Multi Agent Systems, 2nd edition (Wiley, 2009), Kapitel 11
David Liben-Nowell - Wayfinding in Social Networks (in Algorithms for Next Generation Networks, Springer, 2010)
A. Vinciarelli, M. Pantic, H. Bourlard - Social signal processing: Survey of an emerging domain (Image and Vision Computing, 27(12), 2009)

Filter

Social Computing

Worum geht's

Was du danach kannst

Aus was das Modul besteht

Lehrmethode

Modulbewertungen

Modul bewerten