Definice a základní opakování

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Intermediate Network Analysis in Python

SkillTag.level.advancedSkillTag.label

4.8+

79 reviews

Začněte kurz zdarma

V této kapitole se naučíš pracovat s bipartitními grafy a zjistíš, jak se používají v doporučovacích systémech. Prozkoumáš dataset GitHubu z předchozího kurzu – tentokrát se zaměříš na bipartitní graf, který stál za grafem, s nímž jsi pracoval/a dříve. Na závěr si vyzkouší sestavit základní komponenty doporučovacího systému na základě dat z GitHubu!

Exercise 1: Definice a základní opakování

Aktuální cvičení

Exercise 2: Průzkumná analýza dat Exercise 3: Vizualizace pomocí nxviz Exercise 4: Bipartitní grafy Exercise 5: Klíčové slovo bipartite Exercise 6: Distribuce centrality stupňů uzlů uživatelů Exercise 7: Rozdělení centralnosti stupně uzlů projektů Exercise 8: Bipartitní grafy a doporučovací systémy Exercise 9: Sdílené uzly v druhé části grafu Exercise 10: Metrika podobnosti uživatelů Exercise 11: Najdi podobné uživatele Exercise 12: Doporučování repozitářů

V této kapitole využiješ slavný dataset o Americké revoluci k hlubšímu prozkoumání bipartitních grafů. Naučíš se vytvářet unipartitní projekci bipartitního grafu – velmi užitečnou metodu pro zjednodušení složité sítě před další analýzou. Kromě toho zjistíš, jak pracovat s maticemi při manipulaci s grafy a jejich analýze. Díky výpočetním rutinám optimalizovaným pro matice budeš schopen/schopna rychle a efektivně analyzovat i velké grafy!

Exercise 1: Koncept projekce Exercise 2: Načítání grafů Exercise 3: Výpočet projekce Exercise 4: Vykreslení centralit stupně na projekci Exercise 5: Bipartite grafy jako matice Exercise 6: Vlastnosti bipartitních matic sousednosti.Exercise 7: Výpočet matice sousednosti Exercise 8: Sdílené členství: transpozice Exercise 9: Reprezentace síťových dat pomocí pandas Exercise 10: Vytvoř nodelist Exercise 11: Vytvoření edgelistu

V této kapitole se ponoříš do základních metod analýzy grafů, které se v čase mění. Prozkoumáš dataset popisující frekvenci zpráv mezi studenty a naučíš se vizualizovat klíčové statistiky vyvíjejících se grafů.

Exercise 1: Úvod do rozdílů mezi grafy Exercise 2: Seznam grafů Exercise 3: Rozdíly v grafu v průběhu času Exercise 4: Vykresli počet změn hran v čase Exercise 5: Vyvíjející se statistiky grafu Exercise 6: Počet hran v čase Exercise 7: Centralita stupně v čase Exercise 8: Přiblížení a oddálení: celkový souhrn grafu Exercise 9: Nalezení uzlů s nejvyššími hodnotami degree centrality Exercise 10: Vizualizace konektivity

V této kapitole uplatníš vše, co ses naučil/a v předchozích třech kapitolách, na dataset příspěvků z fóra. Analyzuješ časové změny ve vzorcích propojení uživatelů fóra a vytvoříš vizualizace vyvíjejících se statistik grafů v čase.

Exercise 1: Seznámení s datasetem Exercise 2: Vytvoření grafu z pandas DataFrame Exercise 3: Vizualizace rozdělení degree centrality v projekci studentů Exercise 4: Vizualizace rozložení degree centrality projekce fór Exercise 5: Filtrování podle času Exercise 6: Časový filtr na hranách Exercise 7: Vizualizace filtrovaného grafu pomocí nxviz Exercise 8: Analýza časových řad Exercise 9: Vykresli počet příspěvků v čase Exercise 10: Výpočet průměrné centralnosti stupně v oddílu studentů – den po dni Exercise 11: Nejoblíbenější fóra den po dni: I Exercise 12: Najdi nejpopulárnější fóra den po dni: II Exercise 13: Gratulujeme!