Wydobywanie złożonych sieci

Oryginalny tytuł:

Mining Complex Networks

Zawartość książki:

Niniejsza książka koncentruje się na eksploracji sieci, poddziedzinie nauki o danych. Nauka o danych wykorzystuje narzędzia naukowe i obliczeniowe do wydobywania cennej wiedzy z dużych zbiorów danych. Po przetworzeniu i oczyszczeniu danych są one analizowane i prezentowane w celu wsparcia procesów decyzyjnych. Nauka o danych i narzędzia uczenia maszynowego stały się szeroko stosowane w firmach każdej wielkości.

Sieci są często wielkoskalowe, zdecentralizowane i dynamicznie ewoluują w czasie. Złożone sieci górnicze mają na celu zrozumienie zasad rządzących organizacją i zachowaniem takich sieci, co ma kluczowe znaczenie dla wielu dziedzin nauki. Oto kilka wybranych typowych zastosowań sieci górniczych:

⬤ Wykrywanie społeczności (którzy użytkownicy na niektórych platformach mediów społecznościowych są bliskimi przyjaciółmi).

⬤ Przewidywanie linków (kto prawdopodobnie połączy się z kim na takich platformach).

⬤ Przewidywanie atrybutów węzłów (jakie reklamy powinny być wyświetlane danemu użytkownikowi danej platformy, aby dopasować je do jego zainteresowań).

⬤ Wykrywanie wpływowych węzłów (którzy użytkownicy mediów społecznościowych byliby najlepszymi ambasadorami określonego produktu).

Podręcznik ten jest odpowiedni dla studentów studiów licencjackich wyższego roku lub studiów magisterskich na kierunkach takich jak nauka o danych, matematyka, informatyka, biznes, inżynieria, fizyka, statystyka i nauki społeczne. Książka ta może być z powodzeniem wykorzystywana przez wszystkich entuzjastów nauki o danych na różnych poziomach zaawansowania, aby poszerzyć swoją wiedzę lub rozważyć zmianę ścieżki kariery.

Do książki dołączone są notatniki Jupiter (w Pythonie i Julii), do których dostęp można uzyskać pod adresem https: //www.ryerson. ca/mining-complex-networks/. Zawierają one nie tylko wszystkie eksperymenty przedstawione w książce, ale także dodatkowe materiały.

Bogumił Kamiński jest przewodniczącym Rady Naukowej Dyscypliny Ekonomia i Finanse w Szkole Głównej Handlowej w Warszawie. Jest również adiunktem w Laboratorium Data Science na Uniwersytecie Ryerson. Bogumił jest ekspertem w zakresie zastosowań modelowania matematycznego do rozwiązywania złożonych problemów rzeczywistych. Ma również znaczący wkład w rozwój języka Julia i jego ekosystemu pakietów.

Paweł Prałat jest profesorem matematyki na Uniwersytecie Ryerson, którego główne zainteresowania badawcze dotyczą teorii grafów losowych, w szczególności modelowania i eksploracji złożonych sieci. Jest dyrektorem Fields-CQAM Lab on Computational Methods in Industrial Mathematics w The Fields Institute for Research in Mathematical Sciences i współpracuje z różnymi partnerami przemysłowymi, a także z rządem Kanady. Napisał ponad 170 artykułów i trzy książki z ponad 130 współpracownikami.

Franois Thberge uzyskał tytuł licencjata w dziedzinie matematyki stosowanej na Uniwersytecie w Ottawie, tytuł magistra telekomunikacji w INRS oraz tytuł doktora inżynierii elektrycznej na Uniwersytecie McGill. Jest zatrudniony przez rząd Kanady od 1996 roku, gdzie był zaangażowany w tworzenie zespołu data science, a także grupy badawczej znanej obecnie jako Tutte Institute for Mathematics and Computing. Zajmuje również stanowisko adiunkta na Wydziale Matematyki i Statystyki Uniwersytetu w Ottawie. Jego obecne zainteresowania obejmują eksplorację danych relacyjnych i głębokie uczenie.