Explore le biclustering dans les matrices de données, en identifiant des modèles de comportement cohérents et en discutant des méthodes de calcul pour l'analyse.
Explore l'analyse statistique des données du réseau, qui couvre les structures graphiques, les modèles, les statistiques et les méthodes d'échantillonnage.
Explore l'importance des liens faibles dans les réseaux sociaux, la recherche d'emploi et la diffusion de l'information, en mettant l'accent sur le principe de fermeture triadique et le paradoxe des liens faibles dans la recherche d'emploi.
Explore les techniques de regroupement de comportement et de réduction de dimensionnalité non supervisées, couvrant des algorithmes comme K-Means, DBSCAN et Gaussian Mixture Model.
Explore les statistiques graphiques, la génération aléatoire de graphiques, l'analyse de réseaux, les mesures de centralité et les coefficients de regroupement.
Introduit le Support Vector Clustering (SVC) à l'aide d'un noyau gaussien pour la cartographie spatiale des caractéristiques de grande dimension et explique ses contraintes et Lagrangian.
Explore la centralité, les hubs, les vecteurs propres, les coefficients de regroupement, les réseaux de petits mondes, les défaillances des réseaux et la théorie de la percolation dans les réseaux du cerveau.
Explore le modèle de bloc stochastique, le regroupement spectral et la compréhension non paramétrique des modèles de bloc, en mettant l'accent sur les mesures pour comparer les modèles graphiques.
Déplacez-vous dans la centralité et les centres de neurosciences en réseau, explorant l'importance des noeuds, les réseaux de petits mondes, le connectome structural du cerveau et la théorie de la percolation.
Couvre l'apprentissage non supervisé axé sur les méthodes de regroupement et les défis rencontrés dans les algorithmes de regroupement comme K-means et DBSCAN.
