Delivered at:: Department of Applied Mathematics and Informatics (Faculty of Informatics, Mathematics, and Computer Science (HSE Nizhny Novgorod))

Course type:: Compulsory course

When:: 2 year, 1 module

Instructor

Ponomarenko, Alexander

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Как отличить сеть развившуюся естественным образом от сети построенную искусственно; определить критические и наиболее важные элементы в сети; выделить сообщества в сетях; предсказать появления ребра; предсказать как сеть будет развиваться с течением времени – всё это вы узнаете в рамках данного курса.

Цель освоения дисциплины

Владеть методами кластеризации
Знать и разбираться в различных моделях случайных графов
Владеть методами поиска наиболее важных элементов в сети
Понимать принципы работы графовых нейронных сетей

Планируемые результаты обучения

Знаем модели графов со свойствами "тесного мира". Может запрограммировать.
Знает концепцию DHT и принцип работы Chord протокола.
Знает основные характеристики графов
Понимает Page Rank алгоритм. Понимает модель случайного блуждателя
Понимает метод вложения графов в векторное пространство graph2vec
Понимает метод спектральной кластеризации. Может запрограммировать.
Понимает модель Клайнберга.
Понимает модель. Умеет вычислять вероятность возникновения фиксированной структуры,.

Содержание учебной дисциплины

Основные характеристики графов
Google’s PageRank, HITS
Случайные графы.
Модели графов со свойствами "тесного мира"
Алгоритмы кластеризации в сетях
Модели навигационных тесных миров
Методы вложения графов в векторные пространства.

Элементы контроля

Навигационные графы
Модели случайных графов

Промежуточная аттестация

2024/2025 1st module
0.5 * Модели случайных графов + 0.5 * Навигационные графы

Список литературы

Авторы

Грибанов Дмитрий Владимирович
Пономаренко Александр Александрович

Master’s Programme 'Data Mining'

Contacts

Network Structure Analysis

Instructor

Программа дисциплины