Propriétés des matrices d'adjacence bipartites.

Reprenons les notions sur les graphes bipartites et leurs matrices d'adjacence.

Laquelle des affirmations suivantes décrit le mieux les matrices d'adjacence bipartites ?

Cette activité fait partie du cours

Analyse de réseaux intermédiaire en Python

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Analyse de réseaux intermédiaire en Python

SkillTag.level.advancedSkillTag.label

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous apprendrez ce que sont les graphes bipartis et comment ils sont utilisés dans les systèmes de recommandation. Vous explorerez le jeu de données GitHub du cours précédent, cette fois en analysant le graphe biparti sous-jacent qui a servi à créer le graphe que vous avez utilisé plus tôt. Enfin, vous aurez l'occasion de bâtir les composants de base d'un système de recommandation en utilisant les données GitHub.

Exercise 1: Définitions et rappel des bases Exercise 2: Analyse exploratoire des données Exercise 3: Tracer avec nxviz Exercise 4: Graphes bipartis Exercise 5: Le mot-clé bipartite Exercise 6: Distribution de la centralité en degré des nœuds utilisateurs Exercise 7: Distribution de la centralité en degré des nœuds de projets Exercise 8: Graphes bipartis et systèmes de recommandation Exercise 9: Nœuds partagés dans l'autre partition Exercise 10: Mesure de similarité entre utilisateurs Exercise 11: Trouver des utilisateurs similaires Exercise 12: Recommander des dépôts

Dans ce chapitre, vous utiliserez un célèbre jeu de données sur la Révolution américaine pour approfondir l'exploration des graphes bipartis. Vous apprendrez à créer la projection unipartite d'un graphe biparti, une méthode très utile pour simplifier un réseau complexe avant une analyse plus poussée. De plus, vous verrez comment utiliser des matrices pour manipuler et analyser des graphes — avec de nombreuses routines de calcul optimisées pour les matrices, vous pourrez analyser rapidement et efficacement de très grands graphes!

Exercise 1: Concept de projection Exercise 2: Lecture de graphes Exercise 3: Calculer une projection Exercise 4: Tracer la centralité en degré sur la projection Exercise 5: Graphes bipartites sous forme de matrices Exercise 6: Propriétés des matrices d'adjacence bipartites.

Exercice en cours

Exercise 7: Calculer la matrice d'adjacence Exercise 8: Trouver les adhésions partagées : transposition Exercise 9: Représenter des données de réseau avec pandas Exercise 10: Créer la nodelist Exercise 11: Créer une liste d'arêtes

Dans ce chapitre, vous vous pencherez sur les façons fondamentales d'analyser des graphes qui évoluent dans le temps. Vous explorerez un jeu de données décrivant la fréquence des messages entre des étudiants et apprendrez à visualiser d'importantes statistiques de graphe en évolution.

Exercise 1: Introduction aux différences entre graphes Exercise 2: Liste de graphes Exercise 3: Différences de graphe au fil du temps Exercise 4: Tracer le nombre de modifications d'arêtes dans le temps Exercise 5: Statistiques de graphe évolutives Exercise 6: Nombre d'arêtes dans le temps Exercise 7: Centralité de degré dans le temps Exercise 8: Zoom avant et zoom arrière : sommaire global du graphe Exercise 9: Trouver les nœuds avec les meilleures centralités de degré Exercise 10: Visualiser la connectivité

Dans ce chapitre, vous appliquerez tout ce que vous avez appris dans les trois chapitres précédents à un jeu de données de publications sur un forum. Vous analyserez les changements temporels dans les profils de connectivité des utilisateurs du forum et créerez des visualisations de statistiques de graphe qui évoluent au fil du temps.

Exercise 1: Introduction à l'ensemble de données Exercise 2: Créer un graphe à partir du DataFrame pandas Exercise 3: Visualiser la distribution de la centralité de degré de la projection des étudiants Exercise 4: Visualiser la distribution de la centralité de degré de la projection des forums Exercise 5: Filtrage basé sur le temps Exercise 6: Filtre temporel sur les arêtes Exercise 7: Visualiser le graphe filtré avec nxviz Exercise 8: Analyse des séries temporelles Exercise 9: Tracer le nombre de publications au fil du temps Exercise 10: Extraire la centralité de degré moyenne jour par jour sur la partition des étudiantes et étudiants Exercise 11: Trouver les forums les plus populaires jour par jour : I Exercise 12: Repérer les forums les plus populaires jour après jour : II Exercise 13: Félicitations !