Medidas de Centralidad en Grafos o Redes: Centralidad de Grado, Cercanía e Intermediación con Python
Ya has superado la mitad. Estás muy cerca de completar el curso.
Sobre esta lección
Con una red (o un grafo) se puede modelar una red de transporte, los vínculos entre páginas web o las conexiones entre contactos de una red social. En estos contextos, comúnmente se desea encontrar al nodo más importante, al nodo central, por ejemplo, en el caso de una red social, se podría identificar a la persona o personas más influyentes. Este video explica tres medidas de centralidad en redes: 1) Centralidad de grado (degree centrality); 2) Centralidad de cercanía (closeness centrality); y 3) centralidad de intermediación (betweenness centrality) Además, este video explica cómo calcular las medidas de centralidad utilizando NetworkX y algoritmos implementados en python. 👉 Xiperia ofrece consultoría empresarial que transforma datos en conocimiento accionable para alcanzar los objetivos de tu negocio. Conoce más en https://www.xiperia.com ℹ️ Octavio Gutiérrez es el único responsable del contenido, afirmaciones y opiniones expresadas en este video, las cuales no están vinculadas a las organizaciones a las que está asociado. 🌐 Para conocer más sobre Octavio Gutiérrez, visita su perfil en LinkedIn https://www.linkedin.com/in/octaviogutierrez/ Para citar este recurso educativo utiliza la siguiente referencia: Gutiérrez-García, J.O. [Código Máquina]. (2023, 26 de Noviembre). Medidas de Centralidad en Grafos o Redes: Centralidad de Grado, Cercanía e Intermediación con Python. [Video]. YouTube. [Incluye aquí la URL del video] ******************************************** Para guiar tu aprendizaje, en este vínculo (https://youtu.be/lomJnbN5Wnk) se encuentra una guía secuencial para aprender: 1. Programación Básica con Python; 2. Manejo de Datos; 3. Visualización de Datos; 4. Análisis de Datos; y 5. Aprendizaje de Máquina y Ciencia de Datos. ******************************************** Índice del Video: 0:00 Introducción 0:55 Qué es la centralidad de un grafo 2:04 Aplicaciones de la centralidad 4:26 Centralidad de grado 7:40 Centralidad de cercanía 14:02 Centralidad de intermediación 24:00 Centralidad en grafos con NetworkX y python ⭐ Apoya a Código Máquina dando un Like, Comentando, Compartiendo o con un Super Gracias. ⭐ De la co-fundadora de Código Máquina, productos de cosmética natural SINHAKI: https://www.amazon.com.mx/stores/sinHaki/page/1BD34FBC-C0F9-44F5-AC69-520634334C61?ref_=ast_bln El código del video está disponible en GitHub https://github.com/CodigoMaquina/code #datascience #python #cienciadedatos #analisisdedatos #networkx #grafos #analisisderedes
Sobre este curso
Esta serie de videos explica los siguientes temas dentro del dominio de la ciencia de datos o data science: - Imputación o manejo de datos faltantes - Codificación de datos categóricos - Técnicas de escalamiento, normalización y estandarización. - Validación cruzada (cross-validation) - Ajuste de hiperparámetros - Técnicas para lidiar con clases desbalanceadas - Distribución de datos e histogramas - Detección de datos anómalos con diagramas de caja y la regla de Tukey - Detección de datos anómalos con iForests (bosques de aislamiento) - Regresión lineal - K-vecinos más cercanos para clasificación - K-vecinos más cercanos para regresión. - Conjuntos de clasificadores o regresores (Bagging) - Regresión logística - Impureza Gini - Bosques aleatorios para clasificación - Objetivos de los conjuntos de datos para entrenamiento, validación y prueba - La maldición de la dimensionalidad - Fuentes de datos - Detección de clusters con k-means - Detección de clusters con DBSCAN - Tipos de distancias para Clustering - Métricas de regresión. - Visualización de datos con matplotlib - Manejo y análisis de datos con pandas Las librerías que se utilizan son scikit-learn (sklearn), matplotlib, numpy y pandas.
Lo que aprenderás en este curso:
- Comprender el proceso completo de análisis de datos
- Recopilar, limpiar y transformar conjuntos de datos
- Crear visualizaciones de datos informativas y atractivas
- Aplicar estadística descriptiva e inferencial