Build your ultimate AI agent
Cursusbeschrijving
Heb je DataCamp's Introduction to Network Analysis in Python gevolgd en wil je nu geavanceerdere technieken leren om je netwerken te analyseren, of het nu sociale, transport- of biologische netwerken zijn? Dan is dit de cursus voor jou! Je bouwt voort op je kennis en vaardigheden om complexere vraagstukken in netwerkanalyse aan te pakken. Je leert conceptuele en praktische skills om evoluerende tijdreeksen van netwerken te analyseren, maakt kennis met bipartite grafen en hoe je die inzet in productaanbevelingssystemen. Ook leer je over grafprojecties, waarom die zo nuttig zijn in Data Science, en wat de beste manieren zijn om grafgegevens op te slaan en uit bestanden te laden. Je rondt alles af met een casestudy in het laatste hoofdstuk, waarin je een forumgegevensset analyseert en deze cursus uitkomt als een Pythonista Network Analyst ninja!
Vereisten
Curriculum
Cursusoverzicht
1
Bipartite grafen & productaanbevelingssystemen
In dit hoofdstuk leer je over bipartite grafen en hoe ze worden gebruikt in aanbevelingssystemen. Je verkent de GitHub-gegevensset uit de vorige cursus, dit keer door de onderliggende bipartite graaf te analyseren die werd gebruikt om de graaf te maken die je eerder gebruikte. Tot slot krijg je de kans om de basiscomponenten van een aanbevelingssysteem te bouwen met de GitHub-data!
- Definities & korte herhaling50 XP
- Verkennende data-analyse50 XP
- Plotten met nxviz100 XP
- Bipartiete grafen50 XP
- Het bipartite-keyword100 XP
- Verdeling van graad-centraliteit van gebruikersknooppunten100 XP
- Verdeling van graadcentraliteit van projectknooppunten100 XP
- Bipartiete grafen en aanbevelingssystemen50 XP
- Gedeelde knooppunten in andere partitie100 XP
- Overeenkomstmaat voor gebruikers100 XP
- Vergelijkbare gebruikers vinden100 XP
- Repositories aanbevelen100 XP
2
Grafprojecties
In dit hoofdstuk gebruik je een beroemde dataset over de Amerikaanse Revolutie om dieper in bipartite grafen te duiken. Je leert hoe je de unipartite projectie van een bipartite graaf maakt, een heel nuttige methode om een complex netwerk te vereenvoudigen voor verdere analyse. Daarnaast leer je hoe je matrices gebruikt om grafen te manipuleren en te analyseren — met veel rekenroutines geoptimaliseerd voor matrices kun je grote grafen snel en efficiënt analyseren!
3
Grafen vergelijken & tijdsdynamische grafen
In dit hoofdstuk ga je in op de basismanieren waarop je grafen kunt analyseren die in de tijd veranderen. Je verkent een gegevensset die de berichtfrequentie tussen studenten beschrijft en leert hoe je belangrijke, evoluerende grafstatistieken visualiseert.
4
Alles aan elkaar knopen!
In dit hoofdstuk pas je alles toe wat je in de vorige drie hoofdstukken hebt geleerd op een dataset met forumberichten. Je analyseert de temporele veranderingen in verbindingspatronen van forumgebruikers en maakt visualisaties van evoluerende grafstatistieken in de tijd.
Gemiddelde netwerkanalyse in Python
Cursus
voltooid
