کتاب Modern Graph Theory Algorithms with Python: Harness the power of graph algorithms and real-world network applications using Python (الگوریتم‌های تئوری گراف مدرن با پایتون: از قدرت الگوریتم‌های گراف و برنامه‌های شبکه دنیای واقعی با استفاده از پایتون استفاده کنید) شما را از طریق مبانی علم شبکه راهنمایی می‌کند و به شما نشان می‌دهد که چگونه انواع مختلف داده‌ها (مانند داده‌های سری مکانی و زمانی) را در ساختارهای شبکه درگیر کنید.
در ادامه مقدمه‌ای از کتاب Modern Graph Theory Algorithms with Python را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Modern Graph Theory Algorithms with Python:
سلام!
علم شبکه (Network Science) ترکیبی از قدرت تحلیل داده (data analytics) و ابزارهای نظری عمیق نظریه گراف (graph theory) است که برای حل مسائل پیچیده در تحلیل داده به کار می‌رود.
این علم، محققان و مهندسان/دانشمندان داده در صنعت را قادر می‌سازد تا داده‌ها را در ابعاد وسیع آنالیز کنند و مسائل غیرقابل حل تحلیل را بازتعریف نمایند تا به درک عمیقی از مشکلات و پیش‌بینی رفتار سیستم‌ها، از جمله سیستم‌های زیستی، فیزیکی و اجتماعی مورد نظر، دست یابند.
امروزه کاربردهای مهم زیادی برای علم شبکه وجود دارد، از جمله:
- داده‌های شبکه‌های اجتماعی (Social network data)
- داده‌های مکانی (Spatial data)
- داده‌های سری زمانی (Time series data)
- داده‌های فضایی-زمانی (Spatiotemporal data)
- ساختارهای داده پیشرفته‌تر، مانند هستی‌شناسی (ontologies) یا ابر گراف‌ها (hypergraphs)
کتاب Modern Graph Theory Algorithms with Python با ارائه یک مرور کلی مختصر از کاربردهای شبکه‌های اجتماعی، بر لبه‌ی نوآوری کاربردهای علم شبکه در حوزه‌هایی مانند لجستیک حمل‌ونقل، گفتگو، بهداشت عمومی، زبان‌شناسی و آموزش تمرکز می‌کند. در انتهای این مسیر، شما قادر خواهید بود تا با استفاده از چارچوب علم شبکه، مسئله‌ی داده خود را صورت‌بندی کنید تا به درک عمیق‌تری دست یابید و با مشکلات پیچیده در زمینه‌ی کاری خود مقابله نمایید.
ما در حین پرداختن به مثال‌های عملی و کدهای مرتبط با کارمان در دانشگاه و صنعت طی دهه‌های گذشته، پیش‌زمینه‌ی ریاضی مورد نیاز را ارائه خواهیم داد. این موارد شامل کارهایی در زمینه پیش‌بینی شیوع ابولا، پیش‌بینی نوسانات قیمت مواد غذایی، مدل‌سازی روابط ژنتیکی و زبانی، و کاوش شبکه‌های اجتماعی برای درک شکل‌گیری روابط اجتماعی میشود.
با توجه به اینکه جهان با کمبود مواد غذایی، بحران‌های بهداشت عمومی، نابرابری اقتصادی، اختلالات زنجیره تامین و بحران‌های زیست‌محیطی مواجه است، علم شبکه نقش مهمی در تحلیل داده‌های حجیم برای خیر اجتماعی ایفا خواهد کرد.
کتاب Modern Graph Theory Algorithms with Python برای چه کسانی است؟
این کتاب برای کسانی که با داده کار می‌کنند مناسب است. برای بهره‌گیری حداکثری از مطالب کتاب، آشنایی با پایتون و به خصوص کتابخانه‌های pandas و numpy الزومه است.
همچنین فرض بر این است که شما تا حدودی با تحلیل داده آشنایی دارید، اگرچه ابزارها و مسائل علم شبکه که در اینجا مطرح می‌شوند به گونه‌ای توضیح داده خواهند شد که خوانندگان بدون پیش‌زمینه‌ی این مسائل و روش‌ها نیز بتوانند آن‌ها را درک کنند.
علم شبکه دارای سابقه‌ای غنی در بسیاری از رشته‌های علمی از جمله اپیدمیولوژی، مهندسی زیست‌پزشکی، جامعه‌شناسی، ژنتیک، علوم محیط زیست، فیزیک ذرات، علوم کامپیوتر و اقتصاد است. همچنین، پایه‌های آن در نظریه گراف بر تحقیقات در بسیاری از زمینه‌های ریاضیات محض و کاربردی تأثیرگذار است. هر کسی در حوزه‌های علم، فناوری، مهندسی و ریاضی می‌تواند از مجموعه ابزار و رویکرد حل مسئله‌ی علم شبکه بهره‌مند شود.
کتاب Modern Graph Theory Algorithms with Python چه چیزی را پوشش می‌دهد؟
فصل 1، شبکه چیست؟، مفهوم نظری شبکه را معرفی می‌کند و چندین نمونه از شبکه‌ها در کاربردهای دنیای واقعی، از جمله کار با گراف‌های تصادفی را ارائه می‌دهد. همچنین با کتابخانه‌های igraph و NetworkX پایتون آشنا خواهیم شد.
فصل 2، تبدیل داده به شبکه با NetworkX و igraph، با ارائه سه نمونه از داده‌های دنیای واقعی که می‌توان آن‌ها را به عنوان داده شبکه فرموله کرد و نحوه تبدیل داده به فرم شبکه در پایتون را نشان می‌دهد، بر فصل 1 کتاب Modern Graph Theory Algorithms with Python بنا میشود. ما به معرفی مسائلی که شامل داده‌های مکانی، داده‌های زمانی و داده‌های فضایی-زمانی می‌پردازیم و بررسی می‌کنیم که چگونه علم شبکه با تبدیل داده‌ها به فرم شبکه می‌تواند این مسائل را حل کند.
فصل 3، داده‌های جمعیت‌شناسی، دو پروژه دنیای واقعی را با استفاده از داده‌های جمعیت‌شناسی از کشورهای در حال توسعه برای درک ساختار شبکه و ظرفیت انتشار اطلاعات/بیماری‌های عفونی بررسی می‌کند. ما ویژگی‌های جمعیت‌شناسی و خواص شبکه یک گروه دوست را در نظر می‌گیریم تا ببینیم چگونه هر دو نوع اطلاعات می‌توانند بر شیوع بیماری تأثیر بگذارند.
فصل 4، داده‌های حمل‌ونقل، یک نمونه واقعی از یک شبکه حمل‌ونقل را ارائه می‌دهد و ابزارهای مرتبط با کمترین مسیرها و جریان شبکه را معرفی می‌کند. ما به مسیریابی بهینه و کوتاه‌ترین مسیرها به مقصد، از جمله مسیرهای چند مرحله‌ای از یک مکان به مکان دیگر، خواهیم پرداخت.
فصل 5، داده‌های اکولوژیکی، یک نمونه واقعی از یک شبکه اکولوژیکی را نشان می‌دهد و ابزارهای نظریه گراف طیفی، از جمله خوشه‌بندی طیفی و لاپلاسین گراف را معرفی می‌کند.
فصل 6 کتاب Modern Graph Theory Algorithms with Python، داده‌های بازار سهام، با استفاده از ابزارهای شبکه، از جمله معیارهای مرکزیت لبه‌ای برای نوسانات، به بررسی یک نمونه واقعی از تحلیل داده‌های بازار سهام می‌پردازد. ما داده‌ها را برای یافتن نقاط اوج که نشانگر دوره‌ی رشد یا سقوط بازار است، کاوش خواهیم کرد.
فصل 7، داده‌های قیمت/فروش کالا، دو نمونه واقعی از تحلیل داده‌های تجاری را هم در زمان و هم در مکان با ابزارهایی که قبلا در کاربردهای داده‌های سری زمانی و داده‌های مکانی پوشش داده شده است، ارائه می‌دهد. ما روند فروش و قیمت‌گذاری را در طول زمان و مکان برای درک بهتر رفتار مصرف‌کننده و تأثیرات تغییرات قیمت در طول زمان و مکان بررسی خواهیم کرد.
فصل 8 کتاب Modern Graph Theory Algorithms with Python، شبکه‌های اجتماعی پویا، یک نمونه واقعی از مجموعه داده‌های شبکه‌های اجتماعی را که در طول زمان تکامل می‌یابند، معرفی می‌کند و آسیب‌پذیری آن‌ها را در برابر فرآیندهای گسترش، مانند بیماری‌های همه‌گیر و انتشار اطلاعات نادرست، تجزیه و تحلیل می‌کند. ما عواملی را در نظر می‌گیریم که بر آسیب‌پذیری شبکه‌های اجتماعی اکولوژیکی در برابر شیوع بیماری تأثیر می‌گذارد.
فصل 9، یادگیری ماشین برای شبکه‌ها، توضیحی جامع در مورد یادگیری ماشین مبتنی بر شبکه و یادگیری عمیق ارائه می‌دهد، از جمله نمونه‌هایی با یادگیری تحت نظارت، بدون نظارت و نیمه نظارت‌شده برای درک ریسک بیماری در شبکه‌های اجتماعی.
فصل 10 کتاب Modern Graph Theory Algorithms with Python، کاوش مسیر، شبکه‌های بیزی و کاوش برای مسیرهای علی با استفاده از یک مثال داده آموزشی را معرفی می‌کند، جایی که خواهیم دید که توالی دوره و عملکرد تحصیلی چگونه بر نتایج دانش‌آموزان تأثیر می‌گذارد.
فصل 11، نگاشت خانواده‌های زبان – یک رویکرد هستی‌شناختی، هستی‌شناسی‌ها و نگاشت‌ها بین هستی‌شناسی‌ها را با استفاده از یک مثال داده زبانی از خانواده زبان نیلو-صحرایی و تغییرات واژگان آن پوشش می‌دهد.
فصل 12 کتاب Modern Graph Theory Algorithms with Python، پایگاه‌های داده گراف، پایگاه‌های داده گراف را با Neo4j معرفی می‌کند، از جمله داده‌های فصل‌های قبل و نحوه پرس‌وجو از Neo4j با ابزارهای گراف که در فصل‌های قبل معرفی شده‌اند و زبان پرس‌وجوی Neo4j. خواهیم دید که چگونه پایگاه‌های داده گراف و ابزارهای علم شبکه هم افزایی در علم داده ایجاد می‌کنند، و همچنین راه‌حل‌های کارآمد برای ذخیره‌سازی داده‌ها به ارمغان می‌آورند.
فصل 13، همه را کنار هم قرار دادن، مطالب فصل‌های قبل کتاب Modern Graph Theory Algorithms with Python را در یک پروژه نهایی گرد هم می‌آورد. این پروژه با استفاده از معادلات تخمین تعمیم‌یافته به تحلیل داده‌های شبکه فضایی-زمانی و داده‌های جمعیتی از استان‌های ایتوری و کیوو شمالی برای درک تکامل اپیدمی ابولا در سال ۲۰۱۹ می‌پردازد.
فصل 14، مرزهای جدید، الگوریتم‌های گراف کوانتومی، نظریه گراف برای بهینه‌سازی شبکه‌های عصبی، شبکه‌های سلسله‌مراتبی و ابر گراف‌ها را معرفی می‌کند.
سرفصل‌های کتاب Modern Graph Theory Algorithms with Python:
- Modern Graph Theory Algorithms with Python
- Foreword
- Contributors
- About the authors
- About the reviewer
- Preface
- Part 1: Introduction to Graphs and Networks with Examples
- Chapter 1: What is a Network?
- Chapter 2: Wrangling Data into Networks with NetworkX and igraph
- Part 2: Spatial Data Applications
- Chapter 3: Demographic Data
- Chapter 4: Transportation Data
- Chapter 5: Ecological Data
- Part 3: Temporal Data Applications
- Chapter 6: Stock Market Data
- Chapter 7: Goods Prices/Sales Data
- Chapter 8: Dynamic Social Networks
- Part 4: Advanced Applications
- Chapter 9: Machine Learning for Networks
- Chapter 10: Pathway Mining
- Chapter 11: Mapping Language Families – an Ontological Approach
- Chapter 12: Graph Databases
- Chapter 13: Putting It All Together
- Chapter 14: New Frontiers
- Index
- Other Books You May Enjoy
جهت دانلود کتاب Modern Graph Theory Algorithms with Python می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.