مطالب پیشنهادی از سراسر وب

تحلیل شبکه در پایتون: شروع به کار

دسته بندی ها: آموزش پایتون (Python) ، آموزش های پلورال سایت (Pluralsight) ، آموزش شبکه (Computer network)

شرکت ها اطلاعات ترابایتی را جمع آوری کرده اند که می تواند به عنوان شبکه نمایش داده شود. با این حال، به دلیل کمبود متخصصان ماهر داده در زمینه متد های شبکه، از این داده ها با کارایی کم استفاده می شود. هدف از این دوره رفع این مشکل و توانمند سازی شما در زمینه استدلال و ساخت محصولات مبتنی بر شبکه است. در این دوره، مهارت های بنیادی مورد نیاز برای تجزیه و تحلیل شبکه ها را با استفاده از پایتون کسب خواهید کرد. در ابتدا، شما در مورد منشاء های علم شبکه و ارتباط آن با تئوری نمودار و همچنین مهارت های عملی در دستکاری نمودارها در NetworkX را خواهید آموخت. در مرحله بعدی، نحوه ایجاد مصورسازی های زیبا و نمایشی از شبکه ها را با استفاده از قابلیت های بومی NetworkX و Bokeh پی خواهید برد. سپس، یک بررسی تفصیلی از الگوریتم های تشخیص اجتماع و مرکزیت ها، خواهید داشت. سرانجام، شما با یادگیری در مورد تعبیه شبکه، جعبه ابزار یادگیری ماشین خود را غنی خواهید کرد. در پایان دوره، شما نحوه انجام تحلیل شبکه خود، نحوه مصورسازی شبکه ها و حتی اینکه چگونه یک موتور پیش بینی دوستانه پیشرفته با استفاده از علم شبکه و یادگیری ماشین بسازید را خواهید آموخت.

بررسی دوره

کمک به یادگیری ماشین با علم شبکه

آیا این نوشته را دوست داشتید؟
Pluralsight Network Analysis in Python: Getting Started Author:Artur Krochin Duration:1:58:38 Level:Beginner

Companies have amassed terabytes of data that can be represented as networks. However, due to a lack of data professionals skilled in network methods, this data is being underutilized. The aim of this course is to fix that and empower you to be able to reason about and build products based on networks. In this course, Network Analysis in Python: Getting Started, you'll gain the foundational skills needed to analyze networks using Python. First, you'll learn about the origins of network science and its relation to graph theory, as well as practical skills in manipulating graphs in NetworkX. Next, you'll explore how to create beautiful and illustrative visualizations of networks using the native capabilities of NetworkX and Bokeh. Then, you'll deep dive into centrality and community detection algorithms. Finally, you'll enrich your machine learning toolbox by learning about network embeddings. By the end of the course, you'll have learned how to conduct your own analysis of networks, how to visualize networks, and even how to build an advanced friendship prediction engine using network science and machine learning.

پیشنهاد آموزش مرتبط در فرادرس