Build your ultimate AI agent
Opis kursu
W tym kursie nauczysz się przeprowadzać zaawansowaną analizę predykcyjną z wykorzystaniem danych sieciowych w R. Celem analityki sieciowej jest przewidywanie, do której klasy należy dany węzeł sieci – na przykład: klient odchodzący czy nie, oszust czy nie, dłużnik czy nie. Omówimy, jak wykorzystać informacje z sieci i jej struktury w celach predykcyjnych. W szczególności poznasz ideę featuryzacji, która pozwala uzupełnić cechy niesieciowe o cechy sieciowe, zwiększając skuteczność modeli analitycznych. W trakcie kursu użyjesz pakietu igraph, aby zbudować i oznaczyć sieć klientów w kontekście odejść, oraz poznasz podstawy uczenia na sieciach. Następnie dowiesz się, czym jest homofilia, dyadyczność i heterofilia, i jak można je wykorzystać do eksploracji sieci. Później skorzystasz z funkcjonalności pakietu igraph, aby obliczyć różne cechy sieciowe – zarówno te skupione na węzłach, jak i oparte na sąsiedztwie. Poznasz też algorytm Google PageRank i empirycznie zweryfikujesz predykcyjną moc cech sieciowych. Na koniec nauczysz się tworzyć płaski zbiór danych z sieci i analizować go za pomocą regresji logistycznej oraz lasów losowych.
Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie, sieci i sieci z etykietami
W tym rozdziale poznasz sieci z etykietami, uczenie na sieciach oraz wyzwania, jakie mogą się z tym wiązać.
- Motywacja: sieci społecznościowe i analityka predykcyjna50 XP
- Największe ryzyko odejścia50 XP
- Tworzenie sieci na podstawie listy krawędzi100 XP
- Sieci etykietowane i uczenie w sieciach50 XP
- Etykietowanie węzłów100 XP
- Kolorowanie węzłów100 XP
- Wizualizacja odchodzących klientów100 XP
- Klasyfikator sąsiedztwa relacyjnego100 XP
- Wyzwania wnioskowania opartego na sieciach50 XP
- Wyzwania w uczeniu sieciowym50 XP
- Probabilistyczny klasyfikator relacyjny oparty na sąsiadach100 XP
- Wnioskowanie zbiorowe100 XP
2
Homofilia
W tym rozdziale dowiesz się, czym jest homofilia, i nauczysz się obliczać dwie miary służące do jej charakteryzowania: dyadyczność i heterofilię.
3
Featuryzacja sieci
W tym rozdziale użyjesz pakietu igraph, aby obliczyć różne cechy sieciowe i dodać je do sieci.
4
Wszystko razem
W tym rozdziale wykorzystasz sieć z rozdziału 3 do stworzenia płaskiego zbioru danych. Korzystając ze standardowych technik eksploracji danych, zbudujesz modele predykcyjne i zmierzysz ich skuteczność za pomocą AUC oraz wyniesienia w pierwszym decylu.
R
Predykcyjna analityka sieciowa w R
Kurs
ukończony
