Estrazione di reti complesse

Titolo originale:

Mining Complex Networks

Contenuto del libro:

Questo libro si concentra sull'estrazione di reti, un sottocampo della scienza dei dati. La scienza dei dati utilizza strumenti scientifici e computazionali per estrarre conoscenze preziose da grandi insiemi di dati. Una volta elaborati e puliti, i dati vengono analizzati e presentati per supportare i processi decisionali. La scienza dei dati e gli strumenti di apprendimento automatico sono diventati ampiamente utilizzati nelle aziende di tutte le dimensioni.

Le reti sono spesso su larga scala, decentralizzate e si evolvono dinamicamente nel tempo. L'estrazione di reti complesse per comprendere i principi che regolano l'organizzazione e il comportamento di tali reti è fondamentale per un'ampia gamma di campi di studio. Ecco alcune applicazioni tipiche del mining delle reti:

⬤ Rilevamento della comunità (quali utenti di alcune piattaforme di social media sono amici intimi).

⬤ Previsione dei collegamenti (chi è probabile che si colleghi a chi su tali piattaforme).

⬤ Previsione degli attributi dei nodi (quale pubblicità dovrebbe essere mostrata a un determinato utente di una particolare piattaforma per soddisfare i suoi interessi).

⬤ Rilevamento dei nodi influenti (quali utenti dei social media sarebbero i migliori ambasciatori di un prodotto specifico).

Questo libro di testo è adatto a un corso universitario di primo livello o a un corso di laurea in programmi quali scienza dei dati, matematica, informatica, economia, ingegneria, fisica, statistica e scienze sociali. Questo libro può essere utilizzato con successo da tutti gli appassionati di scienza dei dati a vari livelli di sofisticazione per ampliare le proprie conoscenze o per considerare di cambiare il proprio percorso professionale.

I quaderni Jupiter (in Python e Julia) accompagnano il libro e sono accessibili su https: //www.ryerson. ca/mining-complex-networks/. Questi non solo contengono tutti gli esperimenti presentati nel libro, ma includono anche materiale aggiuntivo.

Bogumil Kamiński è presidente del Consiglio Scientifico per la Disciplina di Economia e Finanza presso la SGH Warsaw School of Economics. È anche professore aggiunto presso il Data Science Laboratory della Ryerson University. Bogumil è un esperto di applicazioni della modellazione matematica alla soluzione di problemi complessi della vita reale. È anche un importante contributore open-source allo sviluppo del linguaggio Julia e del suo ecosistema di pacchetti.

Pawel Pralat è professore di matematica alla Ryerson University, i cui principali interessi di ricerca riguardano la teoria dei grafi casuali, in particolare la modellazione e l'estrazione di reti complesse. È direttore del Fields-CQAM Lab on Computational Methods in Industrial Mathematics presso il Fields Institute for Research in Mathematical Sciences e ha portato avanti collaborazioni con diversi partner industriali e con il governo del Canada. Ha scritto oltre 170 articoli e tre libri con oltre 130 collaboratori.

Franois Thberge ha conseguito una laurea in matematica applicata presso l'Università di Ottawa, un master in telecomunicazioni presso l'INRS e un dottorato in ingegneria elettrica presso la McGill University. Dal 1996 lavora per il governo canadese, dove ha partecipato alla creazione del team di scienza dei dati e del gruppo di ricerca oggi noto come Tutte Institute for Mathematics and Computing. È anche professore aggiunto presso il Dipartimento di Matematica e Statistica dell'Università di Ottawa. I suoi interessi attuali includono il data mining relazionale e il deep learning.