Algoritmos escalables para el análisis de datos y redes

Título original:

Scalable Algorithms for Data and Network Analysis

Contenido del libro:

En la era del Big Data, los algoritmos eficientes están más solicitados que nunca. Aunque el Big Data nos lleva al mundo asintótico que imaginaron nuestros pioneros, también pone en tela de juicio la noción clásica de algoritmos eficientes: Los algoritmos que antes se consideraban eficientes, según la caracterización del tiempo polinómico, puede que ya no sean adecuados para resolver los problemas actuales.

No sólo es deseable, sino esencial, que los algoritmos eficientes sean escalables. En otras palabras, su complejidad debe ser casi lineal o sublineal con respecto al tamaño del problema. Así pues, la escalabilidad, y no sólo la computabilidad en tiempo polinómico, debería convertirse en la noción central de complejidad para caracterizar la computación eficiente.

Scalable Algorithms for Data and Network Analysis estudia una familia de técnicas algorítmicas para el diseño de algoritmos escalables. Estas técnicas incluyen la exploración de redes locales, el muestreo avanzado, la sparsificación y la partición geométrica.

También incluyen métodos espectrales de teoría de grafos, como los utilizados para el cálculo de flujos eléctricos y el muestreo de campos aleatorios de Markov gaussianos. Estos métodos ejemplifican la fusión del pensamiento combinatorio, numérico y estadístico en el análisis de redes.

Scalable Algorithms for Data and Network Analysis ilustra el uso de estas técnicas mediante algunos problemas básicos que son fundamentales en el análisis de datos de redes, en particular para la identificación de nodos significativos y conglomerados/comunidades coherentes en redes sociales y de información. También analiza algunos marcos más allá de los modelos grafoteóricos para estudiar cuestiones conceptuales que surgen en el análisis de redes e influencias sociales.