Introduit des algorithmes de traçage des connaissances bayésiennes, de modélisation des facteurs additifs et de regroupement pour tracer les connaissances des étudiants et découvrir les structures.
Couvre les techniques de réduction de dimensionnalité telles que PCA et LDA, les méthodes de clustering, l'estimation de la densité et la représentation des données.
Explore les concepts avancés de coloration graphique, y compris la coloration plantée, le seuil de rigidité, et les variables gelées en points fixes BP.
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 la gestion des données du réseau, y compris les types de graphiques, les propriétés du réseau dans le monde réel et la mesure de l'importance des nœuds.
Explore le cluster spectral, la décomposition des valeurs propres, les matrices laplaciennes et l'identification des clusters au moyen de projections de vecteurs propres.
