Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
SOCIAL NETWORK ANALYSIS	İkinci Düzey	CENG 539		1	7.50	7.50	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	—
Eğitimin Dili	English
Koordinatör	DR. ÖĞR. ÜYESİ FATMA ÖZGE ÖZKÖK
Dersi Veren Öğretim Eleman(lar)ı	DR. ÖĞR. ÜYESİ FATMA ÖZGE ÖZKÖK
Yardımcı Öğretim Eleman(lar)ı	—-
Dersin Veriliş Şekli	—
Dersin Amacı	—-
Dersin Tanımı	—-

Dersin İçeriği

1	Introduction to Social Network Analysis – Basic concepts, history, network types, applications
2	Network Data Collection and Representation – Nodes, edges, graph construction, data sources, preprocessing
3	Network Measures I – Degree, closeness, betweenness, eigenvector centrality, network centralization
4	Network Measures II – Density, clustering coefficient, shortest paths, connected components
5	Community Detection – Modularity, Louvain algorithm, Girvan–Newman, structural equivalence
6	Ego Networks and Tie Analysis – Ego networks, structural holes, tie strength, brokerage
7	Multiplex and Temporal Networks – Multilayer networks, dynamic networks, temporal evolution
8	Network Formation Processes – Homophily, triadic closure, preferential attachment, small-world phenomenon
9	Information Diffusion and Influence – Cascade models, influence maximization, epidemic spreading
10	Statistical Models for Networks – Random graphs, ERGMs, stochastic block models
11	Machine Learning on Graphs – Node classification, link prediction, graph embeddings, Graph Neural Networks (GNNs)
12	Applications and Emerging Topics – Social media analytics, recommendation systems, misinformation detection, ethical issues and final project presentations
13	Social Media Analytics and Network Applications – Community analysis, recommendation systems, misinformation detection, sentiment propagation
14	Ethical Issues, Privacy and Student Project Presentations – Privacy preservation, fairness, bias in network analysis, future research directions and project presentations
15
16
17
18
19
20

Dersin Öğrenme Çıktıları

1	Explain the fundamental concepts, terminology, and theoretical foundations of social network analysis.
2	Model real-world systems as networks by collecting, preprocessing, and representing network data using graph structures.
3	Compute and interpret fundamental network measures such as degree, centrality, clustering coefficient, density, and path length.
4	Analyze the structural properties of social networks, including communities, structural equivalence, structural holes, and multiplex relationships.
5	Evaluate information diffusion, influence propagation, and network formation processes such as homophily and preferential attachment.
6	Apply statistical and computational methods for network analysis, including random graph models and community detection techniques.
7	Utilize software tools and programming libraries (e.g., NetworkX, Gephi, or Python-based graph libraries) to analyze and visualize social network data.
8	Interpret the results of social network analyses to solve real-world problems in areas such as social media, recommendation systems, cybersecurity, healthcare, and smart cities.
9	Explain the principles of graph representation learning and Graph Neural Networks (GNNs) for modern network analysis applications.
10	Develop and present a network analysis project by selecting appropriate methods, analyzing datasets, and communicating findings effectively.

*Dersin Program Yeterliliklerine Katkı Seviyesi

1	Alanı ile ilgili ileri düzeyde alan bilgisine, becerisine sahip olur ve bunu gerçek öğretim ortamlarında kullanır. 3- 4- 5- 6- 7- 8-
2	Öğretmenlik mesleği ve alanıyla ilgili ileri düzeyde pedagojik bilgi ve becerilere sahip olur.
3	Çağdaş öğretim yöntem ve tekniklerini ve ölçme ve değerlendirme yöntemlerini bilir ve uygular.
4	Bilgi ve İletişim Teknolojilerini alanı ile ilgili kavramların öğretiminde etkin şekilde kullanabilme becerisine sahip olur.
5	Mesleğini icra edeceği öğrenci grubunun gelişim özelliklerini ve öğrenme biçimlerini bilir, bu özelliklere uygun etkili planlama, materyal geliştirme ve uygulama yapabilir.
6	Bilimsel ve analitik düşünme becerilerine sahip olur
7	Bağımsız olarak bilimsel araştırma yapabilecek düzeyde bilimsel araştırma yöntem ve tekniklerini bilir ve kullanır.
8	Branşı ile ilgili alan eğitimine yönelik ulusal ve uluslarası düzeydeki gelişim ve değişimleri takip eder, öğrenir ve kullanır. 9-
9	Disiplinler arası çalışmalar yürütebilecek ve çalışmalarını farklı disiplinlerle ilişkilendirebilecek düzeyde genel kültür bilgisine sahip olur. Alanları ile ilgili konularda öğrencilere yönelik orijinal etkinlikler ve öğretim materyalleri geliştirebilecek ve uygulayabilecek bilgi ve becerilere sahip olur.
10	Mesleki Gelişim ve Yaşam boyu Öğrenme ilkelerini kendisi ve diğerleri için uygulayabilir.
11	Problem çözme yeteneklerini hem matematik eğitimi alanında hem de disiplinler arası çalışmalarda uygulayabilir.
12	Alanıyla ilgili çalışmalarda etik değerleri bilir ve uyar.
13	Alanıyla ilgili çalışmaları rapor haline getirebilir ve sunabilir
14	Bilimsel çalışma sürecinde kullanacağı verileri toplama, ölçme ve istatistiksel olarak ifade etme ve yorumlama becerilerini kazanır.
15	Fenbilgisi eğitimi alanında meydana gelen gelişmeleri yerel ve evrensel boyutta değerlendirebilir.
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Yıldızların sayısı 1’den (en az) 5’e (en fazla) kadar katkı seviyesini ifade eder

Planlanan Öğretim Faaliyetleri, Öğretme Metodları ve AKTS İş Yükü

	Sayısı	Süresi (saat)	Sayı*Süre (saat)
Yüz yüze eğitim	0	0	0
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme)	0	0	0
Ödevler	0	0	0
Sunum / Seminer hazırlama	0	0	0
Kısa sınavlar	0	0	0
Ara sınavlara hazırlık	0	0	0
Ara sınavlar	0	0	0
Proje (Yarıyıl ödevi)	0	0	0
Laboratuvar	0	0	0
Arazi çalışması	0	0	0
Yarıyıl sonu sınavına hazırlık	0	0	0
Yarıyıl sonu sınavı	0	0	0
Araştırma	0	0	0
Toplam iş yükü			0
AKTS			0.00

Değerlendirme yöntemleri ve kriterler

Yarıyıl içi değerlendirme	Sayısı	Katkı Yüzdesi
Ara sınav	1	50
Kısa sınav	0	0
Ödev	1	50
Yarıyıl içi toplam		100
Yarıyıl içi değerlendirmelerin başarıya katkı oranı		0
Yarıyıl sonu sınavının başarıya katkı oranı		100
Genel toplam		100

Önerilen Veya Zorunlu Okuma Materyalleri

Ders kitabı	Rawlings, C. M., Smith, J. A., Moody, J., & McFarland, D. A. (2023). Network Analysis: Integrating Social Network Theory, Method, and Application with R. Cambridge: Cambridge University Press.
Yardımcı Kaynaklar	Aggarwal, M., & Murty, M. N. (2020). Machine learning in social networks: embedding nodes, edges, communities, and graphs. Springer Nature.

Ders İle İlgili Dosyalar

DBP Hakkında

Ders Hakkında

Bölüm Hakkında