本课程将通过使用 NetworkX 库的教程向学员介绍网络分析。课程开始时,我们将了解什么是网络分析,以及为什么要将现象建模为网络的动机。第二周将介绍连通性和网络鲁棒性的概念。第三周将探讨衡量网络中节点的重要性或中心性的方法。最后一周将探讨网络随时间的演变,并涵盖网络生成模型和链接预测问题。

Python 中的应用社交网络分析
本课程是 借助 Python 应用数据科学 专项课程 的一部分

位教师:Daniel Romero
访问权限由 Coursera Learning Team 提供
113,695 人已注册
您将学到什么
使用 NetworkX 库表示和处理网络数据
分析网络的连通性
衡量网络中节点的重要性或中心性
预测网络随时间的演变
要了解的详细信息

添加到您的领英档案
4 项作业
了解顶级公司的员工如何掌握热门技能

积累特定领域的专业知识
- 向行业专家学习新概念
- 获得对主题或工具的基础理解
- 通过实践项目培养工作相关技能
- 获得可共享的职业证书

该课程共有4个模块
模块一向您介绍现实世界中不同类型的网络,以及我们研究它们的原因。您将了解网络的基本要素以及不同类型的网络。您还将学习如何使用 NetworkX 库来表示和处理网络数据。作业中,您将有机会使用 NetworkX 分析一家小公司员工的网络数据集。
涵盖的内容
5个视频3篇阅读材料1个作业1个编程作业2个非评分实验室
在模块二中,您将学习如何根据节点间路径的距离、可达性和冗余度来分析网络的连通性。在作业中,您将练习使用 NetworkX 计算一家中型制造公司员工之间电子邮件通信网络的连通性度量。
涵盖的内容
5个视频1个作业1个编程作业1个非评分实验室
在模块三中,您将使用度数中心性、邻近中心性和间隔中心性、页面排名以及枢纽和权威等度量方法,探索衡量网络中节点的重要性或中心性的方法。您将了解每种度量方法的假设条件、计算算法以及 NetworkX 上用于度量中心性的不同函数。在作业中,您将练习在现实世界中选择最合适的中心性度量。
涵盖的内容
6个视频1个作业1个编程作业1个讨论话题
在模块四中,您将探索网络随时间的演变,包括生成具有现实特征的网络的不同模型,如优先附着模型和小世界网络。您还将探索链接预测问题,学习可以预测一对断开的节点未来是否会连接的有用特征。在作业中,您将面临的挑战是识别哪个模型生成了给定的网络。此外,您还有机会将课程中的不同概念结合起来,利用某公司员工的电子邮件交流记录来预测他们的薪水、职位和未来的联系。
涵盖的内容
3个视频5篇阅读材料1个作业1个编程作业1个非评分实验室
获得职业证书
将此证书添加到您的 LinkedIn 个人资料、简历或履历中。在社交媒体和绩效考核中分享。
位教师

人们为什么选择 Coursera 来帮助自己实现职业发展

Felipe M.

Jennifer J.

Larry W.

Chaitanya A.
学生评论
- 5 stars
73.89%
- 4 stars
19.92%
- 3 stars
4.15%
- 2 stars
1.02%
- 1 star
0.99%
显示 3/2720 个
已于 Sep 17, 2017审阅
Excellent tour through the basic terminology and key metrics of Graphs, with a lot of help from the networkX library that simplifies many, otherwise tough, tasks, calculations and processes.
已于 Nov 17, 2020审阅
I have never imagined such detailed analysis can be done on a network, nx in python is really powerful package with so many powerful functions that can do ample of analysis at a whim.
已于 Mar 27, 2020审阅
Very helpful courses. I was able to review and got much better at some things I already knew like data visualization and was able to explore some new areas like network analysis.
从 数据科学 浏览更多内容

University of Michigan

Johns Hopkins University

University of California, Davis



