Atividade

131325 - Introdução às Redes Complexas, com aplicações, utilizando Python e IA/LLM

Período da turma: 28/01/2025 a 31/01/2025

Selecione um horário para exibir no calendário:
 
 
Descrição: Dia 1: Introdução aos Sistemas Complexos
Primeira Sessão (60 minutos):
Apresentação do Curso e Objetivos
Visão geral do conteúdo e metodologia.
Expectativas e objetivos de aprendizagem.
Conceitos Fundamentais de Sistemas Complexos
Definição e características de sistemas complexos.
Propriedades emergentes e comportamento coletivo.
Exemplos de sistemas complexos em diversas áreas (biologia, economia, sociologia).

Intervalo (20 minutos)
Segunda Sessão (60 minutos):
Introdução aos grafos
Conceitos básicos: nós, arestas, grafos, distribuição de grau.
Importância das redes complexas no estudo de sistemas interconectados.
Exemplo Prático em Python:
Objetivo: Criar e visualizar uma rede simples.
Atividades:
Introdução ao Python e à biblioteca NetworkX.
Implementação de um grafo básico.
Visualização da rede usando Matplotlib.
Utilização de um modelo de IA (LLM) para auxiliar na codificação e
esclarecimento de dúvidas.

Dia 2: Redes Homogêneas
Primeira Sessão (60 minutos):
Redes Aleatórias Homogêneas
Modelo de Erdős-Rényi e suas propriedades.
Modelo de Watts-Strogatz e suas propriedades.
Conceito de redes homogêneas.
Propriedades Estatísticas
Caminho mínimo médio.
Coeficiente de aglomeração médio.

Intervalo (20 minutos)
Segunda Sessão (60 minutos):
Exemplo Prático em Python:
Objetivo: Construir e analisar uma rede de Erdős-Rényi.
Atividades:
Geração de uma rede aleatória usando NetworkX.
Cálculo de propriedades estatísticas (grau médio, clusterização).
Visualização da distribuição de grau.

Interação com um modelo de IA (LLM) para otimizar o código e interpretar
resultados.
Dia 3: Redes Heterogêneas
Primeira Sessão (60 minutos):
Redes Aleatórias Heterogêneas
Modelo de Barabási-Albert e crescimento preferencial.
Redes livres de escala (“scale-free”)
Importância dos hubs e impacto na robustez da rede.
Distribuição de Grau em Redes Heterogêneas
Lei de potência e suas implicações.
Comparação com redes homogêneas.

Intervalo (20 minutos)
Segunda Sessão (60 minutos):
Exemplo Prático em Python:
Objetivo: Implementar o modelo de Barabási-Albert.
Atividades:
Criação de uma rede scale-free.
Análise da distribuição de grau e identificação de hubs.
Discussão sobre robustez e vulnerabilidade a falhas.
Uso de um modelo de IA (LLM) para ajustar parâmetros e explorar variações do
modelo.

Dia 4: Aplicações de Redes Complexas
Primeira Sessão (60 minutos):
Redes em Contextos Reais
Redes Sociais:
Análise de conexões e influência.
Fenômenos de viralização.
Redes Biológicas:
Interações proteína-proteína.
Metabolismo e redes genéticas.
Redes Tecnológicas:
Estrutura da internet.
Redes elétricas e de transporte.

Discussão de Estudos de Caso
Exemplos reais de aplicações bem-sucedidas de redes complexas.
Desafios e oportunidades na análise de redes.

Intervalo (20 minutos)
Segunda Sessão (60 minutos):
Exemplo Prático em Python:
Objetivo: Simular a propagação de informação em uma rede social.
Atividades:
Implementação de modelos de propagação (e.g., modelo SIR).
Configuração de cenários de difusão e análise de resultados.
Visualização dinâmica da propagação na rede.
Auxílio de um modelo de IA (LLM) para refinar a simulação e interpretar
fenômenos observados.

Encerramento do Curso

Revisão dos principais conceitos abordados.
Orientações para estudos futuros e recursos adicionais.
Feedback dos alunos sobre o curso.

Objetivos Específicos:
Dia 1: Compreender os fundamentos dos sistemas complexos e a importância das redes
complexas.
Dia 2: Familiarizar-se com redes homogêneas e suas propriedades estatísticas.
Dia 3: Entender as características das redes heterogêneas e seu impacto em sistemas reais.
Dia 4: Aplicar os conhecimentos adquiridos em contextos práticos e reconhecer a relevância das
redes complexas em diferentes áreas.

Metodologia:
Aulas Expositivas: Apresentação dos conceitos teóricos de forma acessível e interativa.
Exemplos Práticos: Implementação em Python com suporte de modelos de IA (LLM) para
demonstrar aplicações.
Discussões em Grupo: Estímulo ao pensamento crítico e à troca de ideias entre os participantes.
Recursos Didáticos: Slides, códigos fonte, referências bibliográficas e sugestões de leituras
complementares.

Recursos Necessários:
Para os Professores:
Computador com Python e bibliotecas necessárias instaladas (NetworkX, Matplotlib, etc.).
Acesso a modelos de IA do tipo LLM para auxílio durante as implementações.
Para os Alunos:
Material didático (slides das aulas) disponibilizado pelos professores para reprodução dos
exemplos em casa.
Recomenda-se ter um ambiente Python configurado para práticas posteriores.

Justificativa Adicional:
A abordagem prática e o uso de modelos de IA visam não apenas facilitar o entendimento dos conceitos,
mas também incentivar os alunos a explorarem ferramentas modernas que estão revolucionando a
pesquisa e a análise de dados em redes complexas. O curso pretende ser um ponto de partida para aqueles
que desejam se aprofundar no estudo de sistemas interconectados e suas aplicações.

Observação:
Embora o curso não inclua demonstrações matemáticas formais, os conceitos serão apresentados de
maneira rigorosa, garantindo uma compreensão sólida dos temas abordados.
Os softwares utilizados no curso são de livre ae bibliografia

Bibliografia
-Barabási, A. L., & Frangos, J. (2014). Linked: How everything is connected to everything else and what
it means for business, science, and everyday life. Basic books.

-Pósfai, M., & Barabási, A. L. (2016). Network science. Cambridge, UK:: Cambridge University Press.
(versão online diponível sem custo em https://networksciencebook.com/)
-Mitchell, M. (2009). Complexity: A guided tour. Oxford University Press.
-Lu, Y., Aleta, A., Du, C., Shi, L., & Moreno, Y. (2024). LLMs and Generative Agent-Based Models for
Complex Systems Research. Physics of Life Reviews.

Carga Horária:

8 horas
Tipo: Obrigatória
Vagas oferecidas: 732
 
Ministrantes: Camilo Rodrigues Neto
Masayuki Oka Hase


 
 voltar

Créditos
© 1999 - 2025 - Superintendência de Tecnologia da Informação/USP