Build your ultimate AI agent
Kursbeskrivning
Har du gått DataCamps kurs Introduktion till nätverksanalys i Python och vill lära dig mer avancerade tekniker för att analysera nätverk – oavsett om det handlar om sociala, transport- eller biologiska nätverk? Då är den här kursen för dig! Du bygger vidare på dina kunskaper och färdigheter för att ta dig an mer avancerade problem inom nätverksanalys. Du får både konceptuell förståelse och praktiska verktyg för att analysera tidsserie-nätverk som förändras över tid, lära dig om bipartita grafer och hur de används i produktrekommendationssystem. Du lär dig också om grafprojektioner, varför de är så användbara inom data science, och hur du bäst lagrar och läser in grafdata från filer. Allt detta sätter du samman i en avslutande fallstudie där du analyserar ett forumsdataset – och lämnar kursen som en van nätverksanalytiker i Python!
Förkunskapskrav
Kursplan
Kursöversikt
1
Bipartita grafer och produktrekommendationssystem
I det här kapitlet lär du dig om bipartita grafer och hur de används i rekommendationssystem. Du utforskar GitHub-datasetet från den tidigare kursen, den här gången med fokus på den underliggande bipartita grafen som användes för att skapa den graf du arbetade med tidigare. Till sist får du möjlighet att bygga grundkomponenterna i ett rekommendationssystem med hjälp av GitHub-data!
- Definitioner & grundläggande repetition50 XP
- Explorativ dataanalys50 XP
- Visualisering med nxviz100 XP
- Bipartita grafer50 XP
- Nyckelordet bipartite100 XP
- Fördelning av graders centralitet för användarnoder100 XP
- Fördelning av graders centralitet för projektnoder100 XP
- Bipartite grafer och rekommendationssystem50 XP
- Delade noder i den andra partitionen100 XP
- Likhetsmått för användare100 XP
- Hitta liknande användare100 XP
- Rekommendera arkiv100 XP
2
Grafprojektioner
I det här kapitlet använder du ett välkänt dataset om den amerikanska revolutionen för att utforska bipartita grafer på djupet. Du lär dig hur du skapar den unipartita projektionen av en bipartit graf – en mycket användbar metod för att förenkla ett komplext nätverk inför vidare analys. Du lär dig också hur du använder matriser för att manipulera och analysera grafer. Eftersom många beräkningsrutiner är optimerade för matriser kan du analysera stora grafer snabbt och effektivt!
3
Jämföra grafer och tidsdynamiska grafer
I det här kapitlet fördjupar du dig i de grundläggande metoderna för att analysera grafer som förändras över tid. Du utforskar ett dataset som beskriver meddelandefrekvens mellan studenter och lär dig visualisera viktiga grafstatistiker som utvecklas över tid.
4
Avslutning!
I det här kapitlet tillämpar du allt du lärt dig i de tre föregående kapitlen på ett dataset med foruminlägg. Du analyserar hur forumanvändarnas kopplingsmönster förändras över tid och skapar visualiseringar av grafstatistiker som utvecklas.
Nätverksanalys i Python – fortsättningskurs
Kurs
slutförd
