Propriétés des matrices d’adjacence bipartites.

Récapitulons les notions sur les graphes bipartites et leurs matrices d’adjacence.

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

Cet exercice fait partie du cours

Analyse de réseaux intermédiaire en Python

Afficher le cours

Exercice interactif pratique

Passez de la théorie à la pratique avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

Analyse de réseaux intermédiaire en Python

AvancéNiveau de compétence

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous allez découvrir les graphes bipartites et leur usage dans les systèmes de recommandation. Vous explorerez le jeu de données GitHub du cours précédent, cette fois en analysant le graphe bipartite sous-jacent qui a servi à créer le graphe utilisé plus tôt. Enfin, vous aurez l’occasion de construire les composants de base d’un système de recommandation à partir des données GitHub.

Exercise 1: Définitions et rappel des bases Exercise 2: Analyse exploratoire des données Exercise 3: Tracer avec nxviz Exercise 4: Graphes bipartites Exercise 5: Le mot-clé bipartite Exercise 6: Distribution de la centralité en degré des nœuds utilisateur Exercise 7: Distribution de la centralité en degré des nœuds projets Exercise 8: Graphes bipartites et systèmes de recommandation Exercise 9: Nœuds partagés dans l’autre partition Exercise 10: Métrique 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 de la Révolution américaine pour approfondir l’exploration des graphes bipartites. Vous apprendrez à créer la projection unipartite d’un graphe bipartite, une méthode très utile pour simplifier un réseau complexe avant analyse. En outre, vous verrez comment utiliser des matrices pour manipuler et analyser des graphes — de nombreuses routines de calcul étant optimisées pour les matrices, vous pourrez analyser rapidement et efficacement de 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 des adhésions partagées : transposition Exercise 9: Représenter des données de réseau avec pandas Exercise 10: Créer une nodelist Exercise 11: Créer une edgelist

Dans ce chapitre, vous étudierez les approches fondamentales pour analyser des graphes qui évoluent dans le temps. Vous explorerez un jeu de données décrivant la fréquence des messages échangés entre des étudiants et apprendrez à visualiser des statistiques de graphe importantes au fil du temps.

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 graphes évolutifs Exercise 6: Nombre d’arêtes au fil du temps Exercise 7: Centralité en degré au fil du temps Exercise 8: Zoom avant et zoom arrière : synthèse globale du graphe Exercise 9: Trouver les nœuds aux centralités en degré les plus élevées 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 évolutions temporelles des schémas de connectivité des utilisateurs du forum et réaliserez des visualisations de statistiques de graphe qui évoluent dans le temps.

Exercise 1: Introduction au jeu 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 en 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 messages publiés au fil du temps Exercise 10: Extraire la centralité en degré moyenne, jour après jour, sur la partition des étudiants Exercise 11: Trouver les forums les plus populaires jour après jour : I Exercise 12: Trouver les forums les plus populaires jour après jour : II Exercise 13: Félicitations !