Explore le suivi des connaissances bayésiennes, les modèles linéaires généralisés et les algorithmes de clustering pour la découverte de structures dans les données comportementales.
Explore la théorie du clustering spectral, la décomposition des valeurs propres, la matrice laplacienne et les applications pratiques dans l'identification des clusters.
Explore le centroïde, le médioïde, l'homogénéité, la séparabilité dans le clustering, l'évaluation de la qualité, la stabilité, les connaissances d'experts et les algorithmes de clustering.
Explore les statistiques graphiques, la génération aléatoire de graphiques, l'analyse de réseaux, les mesures de centralité et les coefficients de regroupement.
Explore les regroupements de réseaux, les regroupements spectraux, l'algorithme des moyennes k, les propriétés des valeurs propres, l'estimation des modèles de blocs et la mesure de la similarité structurelle.
