Кто читает:: Кафедра прикладной математики и информатики (Нижний Новгород) (Факультет информатики, математики и компьютерных наук (Нижний Новгород))

Статус:: Курс обязательный

Когда читается:: 2-й курс, 1 модуль

Полная версия программы учебной дисциплины

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

Пономаренко Александр Александрович
Грибанов Дмитрий Владимирович

Магистерская программа «Интеллектуальный анализ данных»

Методы анализа сетевых структур

Программа дисциплины