Was ist ein Netzwerk?

Denke noch einmal über Beispiele für Netzwerke nach. Welche der folgenden Daten lassen sich am wenigsten leicht als Netzwerk modellieren?

Diese Übung ist Teil des Kurses

Einstieg in die Netzwerkanalyse mit Python

Kurs anzeigen

Interaktive Übung

In dieser interaktiven Übung kannst du die Theorie in die Praxis umsetzen.

Übung starten

Diese Übung ist Teil des Kurses

Einstieg in die Netzwerkanalyse mit Python

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

167 reviews

Kurs kostenlos starten

In diesem Kapitel lernst du grundlegende Konzepte der Netzwerkanalyse kennen und arbeitest mit einem realen Twitter‑Netzwerkdatensatz. Außerdem lernst du NetworkX kennen – eine Bibliothek, mit der du Graphdaten manipulieren, analysieren und modellieren kannst. Du erfährst, welche Graphentypen es gibt und wie du sie sinnvoll visualisierst.

Exercise 1: Einführung in Netzwerke Exercise 2: Was ist ein Netzwerk?

Aktuelle Übung

Exercise 3: Grundlagen der NetworkX-API am Twitter-Netzwerk Exercise 4: Einfaches Zeichnen eines Netzwerks mit NetworkX Exercise 5: Abfragen in einem Graphen Exercise 6: Arten von Graphen Exercise 7: Überprüfen, ob ein Graph gerichtet/ungerichtet ist Exercise 8: Gewichte auf Kanten festlegen Exercise 9: Prüfen, ob es Selbstschleifen im Graphen gibt Exercise 10: Netzwerkvisualisierung Exercise 11: Visualisieren mit Matrix-Plots Exercise 12: Visualisieren mit Circos-Plots Exercise 13: Visualisieren mit Arc-Plots

Du lernst Methoden kennen, um Knoten zu identifizieren, die in einem Netzwerk wichtig sind. Dabei erhältst du Einblicke in fortgeschrittenere Konzepte der Netzwerkanalyse sowie in die Grundlagen von Pfadfindungsalgorithmen. Das Kapitel endet mit einem Deep Dive in den Twitter‑Datensatz, der die gelernten Konzepte wie Degree‑Zentralität und Betweenness‑Zentralität festigt.

Exercise 1: Degree Centrality Exercise 2: Anzahl der Nachbarn für jeden Knoten berechnen Exercise 3: Gradverteilung berechnen Exercise 4: Verteilung der Grad-Zentralität Exercise 5: Graph-Algorithmen Exercise 6: Kürzester Weg I Exercise 7: Kürzester Pfad II Exercise 8: Kürzester Pfad III Exercise 9: Vermittlungszentralität Exercise 10: NetworkX: Betweenness-Zentralität in einem sozialen Netzwerk Exercise 11: Deep Dive – Twitter-Netzwerk Exercise 12: Deep Dive – Twitter-Netzwerk Teil II

Dieses Kapitel dreht sich darum, interessante Strukturen in Netzwerkdaten zu finden. Du lernst zentrale Konzepte wie Cliquen, Communities und Subgraphen kennen und setzt dabei alle Fähigkeiten aus Kapitel 2 ein. Am Ende des Kapitels bist du bereit, die gelernten Konzepte in einer Fallstudie auf reale Daten anzuwenden.

Exercise 1: Communities & Cliquen Exercise 2: Dreiecksbeziehungen erkennen Exercise 3: Knoten finden, die an Dreiecken beteiligt sind Exercise 4: Offene Dreiecke finden Exercise 5: Maximale Cliquen Exercise 6: Alle maximalen Cliquen der Größe "n" finden Exercise 7: Teilgraphen Exercise 8: Teilgraphen I Exercise 9: Subgraphen II

Im letzten Kapitel festigst du dein Wissen mit einer ausführlichen Fallstudie zu GitHub‑Kooperationsnetzwerken. Das ist ein hervorragendes Beispiel für reale soziale Netzwerkdaten – und deine neuen Fähigkeiten werden umfassend gefordert. Am Ende entwickelst du dein eigenes Empfehlungssystem, das GitHub‑Nutzerinnen und ‑Nutzer zusammenbringt, die gemeinsam arbeiten sollten.

Exercise 1: Fallstudie!Exercise 2: Das Netzwerk charakterisieren (I)Exercise 3: Das Netzwerk charakterisieren (II)Exercise 4: Das Netzwerk charakterisieren (III)Exercise 5: Fallstudie, Teil II: Visualisierung Exercise 6: Matrix-Plot Exercise 7: Arc-Diagramm Exercise 8: Circos-Diagramm Exercise 9: Fallstudie Teil III: Cliquen Exercise 10: Cliquen finden (I)Exercise 11: Cliquen finden (II)Exercise 12: Fallstudie Teil IV: Abschließende Aufgaben Exercise 13: Wichtige Kollaborateur:innen finden Exercise 14: Bearbeitungsgemeinschaften charakterisieren Exercise 15: Co-Editoren empfehlen, die noch nicht zusammen editiert haben Exercise 16: Abschließende Gedanken