
مقدمه
Networkx یک بسته پایتون برای ایجاد، دستکاری و مطالعه ساختار، پویایی و عملکرد شبکه های پیچیده است. این کتابخانه گراف هایی ایجاد می کند که از گره ها و یال ها تشکیل می شود. لازم به ذکر است که Networkx، اساسا با دیکشنری ها کار میکند. یکی از اولین کار هایی که دانشمندان علوم شبکه در فرایند کاری خود انجام میدهند تحلیل اولیه شبکه و به دست آوردن اطلاعات سودمند می باشد.
انواع شبکه ها
کتابخانه NetworkX چه کمکی به ما در تحلیل شبکه های پیچیده می کند؟
پیدا کردن درجه
یافتن کوتاه ترین مسیرها
تحلیل شبکه های مقیاس آزاد
بررسی انتقال پذیری در شبکه
یافتن مرکزیت های متنوع در شبکه
امکانات networkx
- ساختار داده ها برای نمودارها، گراف ها و چند گرافیک
- بسیاری از الگوریتم های مربوط به گراف
- ساختار شبکه و آنالیز مقادیر شبکه
- دارای ژنراتور برای گراف های کلاسیک، گراف های تصادفی و گراف های معنایی
- گره ها می توانند هر چیزی باشند (مثلا متن، تصاویر، سوابق XML) باشند
- لبه ها می توانند داده های دلخواه (مثلا وزن، سری زمانی) را نگه دارند
- مجوز منبع باز 3-clause BSD license
- با پوشش کد بیش از 90٪ تست شده است
- مزایای دیگری از Python شامل ساخت نمونه اولیه سریع، آسان برای آموزش، و چند پلت فرمی بودن
دوره ای که پیش رو دارید آموزش عملی گراف کاوی و تحلیل شبکه های اجتماعی با زبان پایتون با استفاده از کتابخانه networkx را به شما آموزش خواهد داد.
دانلود درسنامه های دوره آموزشی گراف کاوی با Python NetworkX
دوره آموزشی گراف کاوی با Python NetworkX - قسمت اول
19:19
دوره آموزشی گراف کاوی با Python NetworkX - قسمت دوم
10:46
دوره آموزشی گراف کاوی با Python NetworkX - قسمت سوم تمرین
16:09
دوره آموزشی گراف کاوی با Python NetworkX - قسمت چهارم تمرین
11:15
دوره آموزشی گراف کاوی با Python NetworkX - قسمت پنجم تمرین
7:26
دوره آموزشی گراف کاوی با Python NetworkX - قسمت ششم تمرین
5:17
دوره آموزشی گراف کاوی با Python NetworkX - قسمت هفتم تمرین
14:08
دوره آموزشی گراف کاوی با Python NetworkX - قسمت هشتم تمرین
20:59
دوره آموزشی گراف کاوی با Python NetworkX - قسمت نهم تمرین
14:04
دوره آموزشی گراف کاوی با Python NetworkX - قسمت دهم تمرین
8:37
دوره آموزشی گراف کاوی با Python NetworkX - قسمت یازدهم تمرین
10:42
دوره آموزشی گراف کاوی با Python NetworkX - قسمت دوازدهم تمرین
20:25
دوره آموزشی گراف کاوی با Python NetworkX - قسمت سیزدهم تمرین
9:15
دوره آموزشی گراف کاوی با Python NetworkX - قسمت چهاردهم تمرین
13:15
دوره آموزشی گراف کاوی با Python NetworkX - قسمت پانزدهم تمرین
5:48
دوره آموزشی گراف کاوی با Python NetworkX - قسمت شانزدهم تمرین
12:11
دوره آموزشی گراف کاوی با Python NetworkX - قسمت هفدهم تمرین
9:59
دوره آموزشی گراف کاوی با Python NetworkX - قسمت هجدهم تمرین
6:59
دوره آموزشی گراف کاوی با Python NetworkX - قسمت نوزدهم تمرین
7:43
دوره آموزشی گراف کاوی با Python NetworkX - قسمت بیستم تمرین
11:15
دوره های مرتبط
دوره آموزشی پروژه محور هوش تجاری با Tableau
دوره آموزشی مقدماتی پایتون برای علم داده
دوره آموزشی تحلیل داده ها در پایتون با پانداس
دوره آموزشی جامع زبان برنامه نویسی پایتون و یادگیری ماشین با رویکرد حل مساله
دوره آموزشی طراحی و پیاده سازی سیستم های توصیه گر با پایتون
دوره آموزشی آشنایی با سرویس کلودرا برای تحلیل کلان داده
امتیاز دانشجویان دوره
نظرات
تنها اشخاصی که این محصول را خریداری کرده اند و وارد سایت شده اند می توانند در مورد این محصول بازبینی ارسال کنند.
200,000 تومان 99,000 تومان
محمد حیدری
بنیانگذار مدرسه علم دادهکارشناسی مهندسی نرم افزار از دانشکده فنی تهران، دانشجوی اسبق مهندسی فناوری اطلاعات در دانشگاه شهید بهشتی تهران، فارغ التحصیل کارشناسی ارشد مهندسی فناوری اطلاعات از دانشگاه تربیت مدرس تهران، پژوهشگر ارشد هوش مصنوعی در رایانش هوشمند شریف، بنیانگذار مدرسه علم داده و بیگ دیتا
Coders( دانشجوی دوره )
سلام و وقت بخیر
ممنون از آموزش روان و خوبتون ، چند تا نکته رو میخواستم بگم.
قسمت های 20 و13 ، با همدیگر همون قسمت 12 رو تشکیل میدن.
یک نکته دیگه ، در تحلیل ها و پروژه ای که مثال زده شد ، نود ها و اج ها هیچ کدام وزن نداشتند. اگر ما بخوایم تحلیل هایی مثل کوتاهترین مسیر ، مرکزیت و اجتماع و … رو با درنظر گرفتن وزن های نود و اج توأمان بسنجیم ، باید چی کار کنیم؟
محمد علی علیاپور( دانشجوی دوره )
ممنونم ازتون جناب استاد حیدری. خیلی دنبال یه دوره پروژه محور تحلیل گراف با پایتون بودم.