Il Corso S.E.O. per Promuovere il tuo Sito nella prima Pagina dei Motori di Ricerca (Google), fornisce informazioni necessarie a comprendere le tecniche basilari del S.E.O. (Search Engine Optimization), ed è importante per fissare le linee strategiche per la promozione di un sito web o di un blog.
Questo corso è adatto sia a privati che a professionisti e aziende, che hanno un sito web o un blog per scopi personali o professionali.
I contenuti
- Internet 2.0
- Definizione di Search Engine Optimization
- Google e i motori di ricerca
- Le penalizzazioni
- Le keywords
- Link e anchor text
- Ottimizzare i video e le immagini
- Le directory
- Link popularity
- Il Page Rank
Con il Corso per Promuovere il tuo Sito nella prima Pagina dei Motori di Ricerca imparerete a padroneggiare le principali tecniche di SEO e conoscere il funzionamento del più utilizzato mootore di ricerca al mondo che è Google. In particolare apprenderete quali keywords scegliere, i risultati organici e a pagamento dei motori di ricerca, quali sono i rischi e pericoli nell’attività di SEO, la densità, il peso e la frequenza delle Keywords, l'importanza degli URL e dei link interni, la popolarità del sito: il Page Rank e la Link Popularity, che cos'è una Site Map e tante altre curiosità.
Il Corso S.E.O. per Promuovere il tuo Sito nella prima Pagina dei Motori di Ricerca (Google), fornisce informazioni necessarie a comprendere le tecniche basilari del S.E.O. (Search Engine Optimization), ed è importante per fissare le linee strategiche per la promozione di un sito web o di un blog.
Questo corso è adatto sia a privati che a professionisti e aziende, che hanno un sito web o un blog per scopi personali o professionali.
I contenuti
- Internet 2.0
- Definizione di Search Engine Optimization
- Google e i motori di ricerca
- Le penalizzazioni
- Le keywords
- Link e anchor text
- Ottimizzare i video e le immagini
- Le directory
- Link popularity
- Il Page Rank
Con il Corso per Promuovere il tuo Sito nella prima Pagina dei Motori di Ricerca imparerete a padroneggiare le principali tecniche di SEO e conoscere il funzionamento del più utilizzato mootore di ricerca al mondo che è Google. In particolare apprenderete quali keywords scegliere, i risultati organici e a pagamento dei motori di ricerca, quali sono i rischi e pericoli nell’attività di SEO, la densità, il peso e la frequenza delle Keywords, l'importanza degli URL e dei link interni, la popolarità del sito: il Page Rank e la Link Popularity, che cos'è una Site Map e tante altre curiosità.
Realtà aumentata markerless basata su algoritmi di Image Recognition e SLAMSimone Sabbatini
Tesi di master su soluzioni di realtà aumentata basata su algoritmi di Image Recognition e SLAM, realizzata per il master in "Tecnologie Open Source per Beni Culturali".
This presentation won me the best presentation award at my University Tech fest "Allegretto" in 2008.
I have also presented this seminar as a part of B.Tech curriculum in 7th Semester.
Probabilità e statistica: la scienza della previsioneAndrea Capocci
Come introdurre la probabilità e la statistica nella scuola superiore? Questa è la presentazione di un percorso didattico che prevede di introdurre la statistica con preciso punto di vista, non esaustivo ma compiuto. Questa presentazione è stata preparata per l'esame di Probabilità e Statistica nel Tirocinio Formativo Attivo 2014-15 dell'Università di Roma Tre
Realtà aumentata markerless basata su algoritmi di Image Recognition e SLAMSimone Sabbatini
Tesi di master su soluzioni di realtà aumentata basata su algoritmi di Image Recognition e SLAM, realizzata per il master in "Tecnologie Open Source per Beni Culturali".
This presentation won me the best presentation award at my University Tech fest "Allegretto" in 2008.
I have also presented this seminar as a part of B.Tech curriculum in 7th Semester.
Probabilità e statistica: la scienza della previsioneAndrea Capocci
Come introdurre la probabilità e la statistica nella scuola superiore? Questa è la presentazione di un percorso didattico che prevede di introdurre la statistica con preciso punto di vista, non esaustivo ma compiuto. Questa presentazione è stata preparata per l'esame di Probabilità e Statistica nel Tirocinio Formativo Attivo 2014-15 dell'Università di Roma Tre
Lezione3: Reti sociali, Algoritmi spettrali e SNAP
1. Reti sociali, algoritmi spettrali,
SNAP
●
Perché le reti sociali sono diverse dalle altre?
Il PageRank e le comunità
●
SNAP: un laboratorio per tutti
●
3. Assortative mixing nelle reti sociali
Nelle reti sociali i nodi della rete tendono a
collegarsi preferibilmente con nodi con un grado
k simile.
I gradi dei nodi vicini sono correlati
positivamente.
➔
In sociologia, per le reti in cui i gradi dei nodi
vicini sono correlati si parla di assortative
mixing.
4. Come si osserva l'assortatività?
r di Pearson: coefficiente di correlazione tra il
“grado in eccesso” (excess degree qi = ki) dei nodi
vicini
∑ jk jk (e jk −q j q k )
r=
2
2
∑k k q k −(∑k qk )
5. Come si osserva l'assortatività?
Knn(k): grado medio dei vicini dei nodi di grado k
∑ ∑
K nn (k )=
k i =k j ∈I (i)
kj
NP (k ) k
Knn(k) crescente → mixing assortativo
Knn(k) decrescente → mixing disassortativo
6. Come si osserva l'assortatività?
r : quantitativo e non ambiguo
Knn(k): qualitativo ma più utile se il rumore
statistico è elevato e il coefficiente r è troppo
vicino a 0.
8. Perché le reti sociali sono diverse?
Nelle reti sociali i nodi sono organizzati in
comunità
Le reti sociali sono soprattutto reti collaborative
9. Il modello di rete sociale
di Newman e Park
N nodi, G comunità
● r : probabilità che un nodo appartenga a m
m
●
comunità
● s : probabilità che un gruppo contenga n nodi
n
nodi distribuiti nelle comunità in modo casuale
●
due nodi nella stessa comunità sono connessi
con probabilità p
●
10. Il modello di rete sociale
di Newman e Park
Nodi e comunità
Link possibili
11. Il modello di rete sociale
di Newman e Park
Nodi e comunità
Link possibili
12. Il calcolo della correlazione r
Nel modello di Newman e Park, la correlazione
r si può calcolare analiticamente.
●
rn e sn siano distribuzioni poissoniane
●
→ probabilità costante che un nodo appartenga
ad una comunità
13. Il calcolo della correlazione r
In questo caso, la correlazione r si può calcolare
analiticamente:
p
r=
>0
1+ ν+ νμ p
dove
ν=∑n n r n
μ=∑n n s n
14. Il calcolo della correlazione r
Verifica del modello
Rete degli autori di articoli scientifici
rreal = 0.145
rteor = 0.174 ± 0.45
Rete dei manager
rreal = 0.276
rteor = 0.116
15. Il calcolo della correlazione r
Verifica del modello
Rete degli autori di articoli scientifici
rreal = 0.145
rteor = 0.174 ± 0.45 OK
Rete dei manager
rreal = 0.276
rteor = 0.116
16. Il calcolo della correlazione r
Verifica del modello
Rete degli autori di articoli scientifici
rreal = 0.145
rteor = 0.174 ± 0.45 OK
Rete dei manager
rreal = 0.276
rteor = 0.116 ???
22. Il calcolo del PageRank
v = distribuzione iniziale
vi = probabilità di trovare un random walk sul
nodo i al tempo iniziale
v(t) = distribuzione del random walk dopo t passi
(t)
i
v = probabilità di trovare un random walk sul
nodo i al tempo t
PR(i) = v
(∞)
i
23. Il calcolo del PageRank
v = distribuzione iniziale
vi = probabilità di trovare un random walk sul
nodo i al tempo iniziale
v(t) = distribuzione del random walk dopo t passi
(t)
i
v = probabilità di trovare un random walk sul
nodo i al tempo t
PR(i) = v
(∞)
i
∑ v i =∑ v
i
i
=∑ v =∑ PR(i)=1
(t )
i
i
(∞)
i
i
24. Il calcolo del PageRank
La distribuzione al primo step evolve così :
(1)
v i =∑ j Aij v j
Per un generico intervallo t →t +1 :
(t +1)
(t )
v i =∑ j Aij v j
Se t →∞
(∞)
(∞)
v i =∑ j Aij v j
25. Il calcolo del PageRank
Usando il formalismo vettoriale
(∞ )
v = Av
(∞)
Quindi
il PageRank è l'autovettore principale
della matrice A associato all'autovalore 1
26. Le “patologie” della rete
Loop e nodi con outdegree nullo possono ridurre
lo stato stazionario in uno stato banale.
Per ovviare a questo problema, Brin e Page
modificarono il processo stocastico così:
con probabilità 1p, ad ogni passo il “random
surfer” segue i link della rete
●
con probabilità p il “random surfer” salta su
un'altra pagina scelta casualmente
●
27. Le “patologie” della rete
Il processo stocastico ora è descritto
dall'equazione
v
p
=(1− p) ∑ Aij v +
N
j
(t +1)
i
(t )
j
e tende all'autovettore principale della matrice
con
35. Analizzare le reti con Awk
http://snap.stanford.edu/data/ca-CondMat.html
Scrivi la P(k):
awk ' { k[$1]++; k[$2]++ } END{for (i in k) count[k[i]]++; for (i in
count) print i,count[i]}' ca-CondMat.txt | sort -n >
pdk_condmat.dat