Minería de redes complejas

Título original:

Mining Complex Networks

Contenido del libro:

Este libro se centra en la minería de redes, un subcampo dentro de la ciencia de datos. La ciencia de datos utiliza herramientas científicas y computacionales para extraer conocimientos valiosos de grandes conjuntos de datos. Una vez procesados y depurados, los datos se analizan y presentan para apoyar los procesos de toma de decisiones. La ciencia de datos y las herramientas de aprendizaje automático se han generalizado en empresas de todos los tamaños.

Las redes son a menudo de gran escala, descentralizadas y evolucionan dinámicamente con el tiempo. La minería de redes complejas con el objetivo de comprender los principios que rigen la organización y el comportamiento de dichas redes es crucial para una amplia gama de campos de estudio. He aquí algunas aplicaciones típicas seleccionadas de la minería de redes:

⬤ Detección de comunidades (qué usuarios de algunas plataformas de medios sociales son amigos íntimos).

⬤ Predicción de enlaces (quién es probable que se conecte con quién en dichas plataformas).

⬤ Predicción de atributos de nodo (qué anuncio debería mostrarse a un usuario determinado de una plataforma concreta para que coincida con sus intereses).

⬤ Detección de nodos influyentes (qué usuarios de las redes sociales serían los mejores embajadores de un producto concreto).

Este libro de texto es adecuado para un curso de grado superior o un curso de posgrado en programas como ciencia de datos, matemáticas, informática, negocios, ingeniería, física, estadística y ciencias sociales. Este libro puede ser utilizado con éxito por todos los entusiastas de la ciencia de datos en varios niveles de sofisticación para ampliar sus conocimientos o considerar un cambio en su trayectoria profesional.

Los cuadernos Jupiter (en Python y Julia) acompañan al libro y se puede acceder a ellos en https: //www.ryerson. ca/mining-complex-networks/. No solo contienen todos los experimentos presentados en el libro, sino que también incluyen material adicional.

Bogumil Kamiński es Presidente del Consejo Científico de la Disciplina de Economía y Finanzas de la SGH Warsaw School of Economics. También es profesor adjunto en el Laboratorio de Ciencia de Datos de la Universidad Ryerson. Bogumil es experto en aplicaciones de modelos matemáticos para resolver problemas complejos de la vida real. También es un importante colaborador de código abierto en el desarrollo del lenguaje Julia y su ecosistema de paquetes.

Pawel Pralat es catedrático de Matemáticas en la Universidad Ryerson, cuyos principales intereses de investigación se centran en la teoría de grafos aleatorios, especialmente en la modelización y explotación de redes complejas. Es Director del Laboratorio Fields-CQAM de Métodos Computacionales en Matemáticas Industriales del Instituto Fields de Investigación en Ciencias Matemáticas y ha mantenido colaboraciones con diversos socios industriales, así como con el Gobierno de Canadá. Ha escrito más de 170 artículos y tres libros con más de 130 colaboradores.

Franois Thberge es licenciado en Matemáticas Aplicadas por la Universidad de Ottawa, máster en Telecomunicaciones por el INRS y doctor en Ingeniería Eléctrica por la Universidad McGill. Trabaja para el Gobierno de Canadá desde 1996, donde participó en la creación del equipo de ciencia de datos, así como del grupo de investigación ahora conocido como Instituto Tutte de Matemáticas e Informática. También es profesor adjunto en el Departamento de Matemáticas y Estadística de la Universidad de Ottawa. Sus intereses actuales incluyen la minería de datos relacionales y el aprendizaje profundo.