Mining Complex Networks
Dieses Buch konzentriert sich auf das Mining von Netzwerken, ein Teilgebiet der Datenwissenschaft. Die Datenwissenschaft nutzt wissenschaftliche und computergestützte Werkzeuge, um wertvolle Erkenntnisse aus großen Datensätzen zu gewinnen. Sobald die Daten verarbeitet und bereinigt sind, werden sie analysiert und präsentiert, um Entscheidungsprozesse zu unterstützen. Data Science und maschinelle Lernwerkzeuge sind in Unternehmen aller Größenordnungen weit verbreitet.
Netzwerke sind oft groß angelegt, dezentralisiert und entwickeln sich im Laufe der Zeit dynamisch weiter. Das Mining komplexer Netzwerke mit dem Ziel, die Prinzipien zu verstehen, die die Organisation und das Verhalten solcher Netzwerke bestimmen, ist für ein breites Spektrum von Studienbereichen von entscheidender Bedeutung. Hier sind einige ausgewählte typische Anwendungen für das Mining von Netzwerken:
⬤ Gemeinschaftserkennung (welche Nutzer auf einigen Social-Media-Plattformen sind enge Freunde).
⬤ Verknüpfungsvorhersage (wer wird sich wahrscheinlich mit wem auf solchen Plattformen verbinden).
⬤ Vorhersage von Knotenattributen (welche Werbung sollte einem bestimmten Nutzer einer bestimmten Plattform angezeigt werden, um seinen Interessen zu entsprechen).
⬤ Erkennung einflussreicher Knoten (welche Nutzer sozialer Medien wären die besten Botschafter für ein bestimmtes Produkt).
Dieses Lehrbuch eignet sich für ein Oberstufenstudium oder einen Graduiertenkurs in Studiengängen wie Datenwissenschaft, Mathematik, Informatik, Wirtschaft, Ingenieurwesen, Physik, Statistik und Sozialwissenschaften. Dieses Buch kann von allen Liebhabern der Datenwissenschaft auf verschiedenen Niveaus erfolgreich genutzt werden, um ihr Wissen zu erweitern oder einen Wechsel ihres Berufsweges zu erwägen.
Jupiter-Notebooks (in Python und Julia) begleiten das Buch und können unter https: //www.ryerson. ca/mining-complex-networks/ abgerufen werden. Diese enthalten nicht nur alle im Buch vorgestellten Experimente, sondern auch zusätzliches Material.
Bogumil Kamiński ist Vorsitzender des wissenschaftlichen Rates für den Fachbereich Wirtschaft und Finanzen an der SGH Warsaw School of Economics. Er ist außerdem außerordentlicher Professor am Data Science Laboratory der Ryerson University. Bogumil ist Experte für die Anwendung mathematischer Modellierung zur Lösung komplexer Probleme im realen Leben. Er ist auch ein wichtiger Open-Source-Mitarbeiter bei der Entwicklung der Sprache Julia und ihres Paket-Ökosystems.
Pawel Pralat ist Professor für Mathematik an der Ryerson University. Sein Hauptforschungsinteresse gilt der Theorie der Zufallsgraphen, insbesondere der Modellierung und Auswertung komplexer Netzwerke. Er ist Direktor des Fields-CQAM Lab on Computational Methods in Industrial Mathematics im Fields Institute for Research in Mathematical Sciences und arbeitet mit verschiedenen Partnern aus der Industrie und der kanadischen Regierung zusammen. Er hat über 170 Arbeiten und drei Bücher mit mehr als 130 Mitarbeitern verfasst.
Franois Thberge hat einen B. Sc. in angewandter Mathematik von der Universität Ottawa, einen M. Sc. in Telekommunikation vom INRS und einen Doktortitel in Elektrotechnik von der McGill-Universität. Er ist seit 1996 bei der kanadischen Regierung beschäftigt, wo er am Aufbau des Data-Science-Teams und der Forschungsgruppe beteiligt war, die heute als Tutte Institute for Mathematics and Computing bekannt ist. Außerdem hat er eine außerordentliche Professur in der Abteilung für Mathematik und Statistik an der Universität von Ottawa. Zu seinen aktuellen Interessen gehören Relational Data Mining und Deep Learning.
| ISBN: | 9781032112039 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 264 |
Derzeit verfügbar, auf Lager.
