Ηλεκτρονική Διάθεση Μαθήματος
Μαθησιακά Αποτελέσματα
1. Οι φοιτητές θα αποκτήσουν σημαντικές γνώσεις σε τεχνικές επεξεργασίας και ανάλυσης πολύπλοκων δικτύων (complex networks).
2. Θα μπορούν αν εργαστούν σε ομάδες
3. Θα αποκτήσουν μεγαλύτερη αυτοπεποίθηση παρουσιάζοντας τη δουλειά τους στην τάξη
4. Θα έρθουν σε επαφή με θεωρία και αλγοριθμικές τεχνικές επεξεργασίας και εξόρυξης γνώσης από δεδομένα γραφημάτων.
Περιεχόμενο Μαθήματος
Συστήματα διαχείρισης, ανάλυσης και οπτικοποίησης γραφημάτων: Neo4j, Graphlab, GraphX, Gephi
ερωτήματα προσβασιμότητας
ενσωματώσεις γραφημάτων (ενσωματώσεις κόμβων και γραφημάτων), node2vec, LINE, NETMF, κ.λπ.
κλιμακούμενες ενσωματώσεις γραφημάτων, nodesketch, nethash, εκμάθηση κατακερματισμού κ.λπ
ανακάλυψη πυκνού υπογράφου
τριγωνισμός γραφήματος
ροές γραφημάτων (εφαρμογές: μέτρηση καθολικών και τοπικών τριγώνων, k-core)
εξόρυξη ειδικών τύπων γραφημάτων: χρονικά γραφήματα, πιθανολογικά γραφήματα (ομαδοποίηση), γραφήματα πολλαπλών επιπέδων, κρυφά γραφήματα
πυρήνες γραφημάτων
εξόρυξη συχνών μοτίβων γραφημάτων
φάσματα γραφήματος
σκίτσα γραφημάτων
νευρωνικά δίκτυα γραφημάτων
Λέξεις Κλειδιά
πολύπλοκα δίκτυα, προσεγγιστικοί και τυχαίοι αλγόριθμοι, διαχείριση, εξόρυξη γνώσης
Επιπρόσθετη βιβλιογραφία για μελέτη
- Diane J. Cook (Editor), Lawrence B. Holder (Editor), Mining Graph Data, Wiley, 2006.
- Charu C. Aggarwal, Haixun Wang (Editors), Managing and Mining Graph Data, Springer, 2010.