İki parçalı bitişiklik (adjacency) matrislerinin özellikleri.

İki parçalı (bipartite) grafikler ve bunların bitişiklik matrisleriyle ilgili kavramları hızlıca gözden geçirelim.

Aşağıdaki ifadelerden hangisi iki parçalı bitişiklik matrislerini en iyi şekilde açıklar?

Bu egzersiz, kursun bir parçasıdır

Python ile Orta Düzey Ağ (Network) Analizi

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

Python ile Orta Düzey Ağ (Network) Analizi

AvançadoNível de habilidade

4.8+

Kursa Ücretsiz Başla

Bu bölümde, iki kümeli grafları ve öneri sistemlerinde nasıl kullanıldıklarını öğreneceksin. Önceki dersten GitHub veri kümesini bu kez, daha önce kullandığın grafı oluşturmak için kullanılan temel iki kümeli grafı analiz ederek keşfedeceksin. Son olarak, GitHub verisini kullanarak bir öneri sisteminin temel bileşenlerini kurma fırsatı bulacaksın!

Exercise 1: Tanımlar ve kısa tekrar Exercise 2: Keşifsel veri analizi Exercise 3: nxviz kullanarak görselleştirme Exercise 4: İki bölümlü graflar Exercise 5: İki parçalı (bipartite) anahtar kelimesi Exercise 6: Kullanıcı düğümlerinin derece merkezilik dağılımı Exercise 7: Proje düğümlerinin derece merkeziliği dağılımı Exercise 8: İki parçalı graflar ve öneri sistemleri Exercise 9: Diğer bölümdeki ortak düğümler Exercise 10: Kullanıcı benzerliği metriği Exercise 11: Benzer kullanıcıları bul Exercise 12: Depo öner

Bu bölümde, ünlü bir Amerikan Devrimi veri kümesini kullanarak iki kümeli grafları daha derinlemesine inceleyeceksin. Burada, karmaşık bir ağı daha ileri analiz için sadeleştirmeye yarayan çok kullanışlı bir yöntem olan iki kümeli bir grafın tek kümeli (unipartite) izdüşümünü nasıl oluşturacağını öğreneceksin. Ek olarak, matrisleri kullanarak grafları nasıl dönüştürüp analiz edeceğini göreceksin — birçok hesaplama rutini matrisler için optimize edildiğinden, çok büyük grafları hızlı ve verimli şekilde analiz edebileceksin!

Exercise 1: Projeksiyon kavramı Exercise 2: Graf okuma Exercise 3: Projeksiyon hesaplama Exercise 4: Projeksiyonda derece merkeziliğini çiz Exercise 5: İki parçalı grafikleri matrisler olarak temsil etmek Exercise 6: İki parçalı bitişiklik (adjacency) matrislerinin özellikleri.

Geçerli egzersiz

Exercise 7: Komşuluk matrisini hesapla Exercise 8: Paylaşılan üyeliği bul: Transpoz Exercise 9: Ağ verilerini pandas ile temsil etme Exercise 10: Nodelist oluştur Exercise 11: Kenar listesi (edgelist) oluştur

Bu bölümde, zaman içinde değişen grafları analiz etmenin temel yollarına dalacaksın. Öğrenciler arasındaki mesajlaşma sıklığını tanımlayan bir veri kümesini inceleyecek ve zamanla evrilen önemli graf istatistiklerini nasıl görselleştireceğini öğreneceksin.

Exercise 1: Graf farklarına giriş Exercise 2: Graf listesi Exercise 3: Zaman içinde grafik farkları Exercise 4: Zaman içinde kenar değişimlerinin sayısını çiz Exercise 5: Zaman içinde değişen grafik istatistikleri Exercise 6: Zaman içinde kenar sayısı Exercise 7: Zaman içinde derece merkeziliği Exercise 8: Yakından bak ve uzaktan bak: Genel grafik özeti Exercise 9: En yüksek derece merkeziliğine sahip düğümleri bul Exercise 10: Bağlanırlığı görselleştirme

Bu bölümde, önceki üç bölümde öğrendiklerinin tümünü bir forum gönderi veri kümesine uygulayacaksın. Forum kullanıcılarının bağlantı örüntülerindeki zamana bağlı değişimleri analiz edecek ve zaman içinde evrilen graf istatistiklerinin görselleştirmelerini yapacaksın.

Exercise 1: Veri kümesine giriş Exercise 2: pandas DataFrame'den bir grafik oluştur Exercise 3: Öğrenci projeksiyonunun derece merkezilik dağılımını görselleştir Exercise 4: Forum projeksiyonunun derece merkeziliği dağılımını görselleştir Exercise 5: Zamana dayalı filtreleme Exercise 6: Kenarlar üzerinde zaman filtresi Exercise 7: Filtrelenmiş grafiği nxviz ile görselleştir Exercise 8: Zaman serisi analizi Exercise 9: Zaman içinde yapılan gönderi sayısını görselleştir Exercise 10: Öğrenciler bölümünde ortalama derece merkeziliğini gün gün çıkar Exercise 11: Günden güne en popüler forumları bul: I Exercise 12: Gün gün en popüler forumları bul: II Exercise 13: Tebrikler!