آموزش تحلیل گراف برای داده‌های بزرگ (Big Data) - آخرین آپدیت

خوش‌آمدگویی به تحلیل گراف Welcome to Graph Analytics

• خوش‌آمدگویی به دوره تحلیل گراف برای داده‌های بزرگ Welcome to Graph Analytics for Big Data

مقدمه‌ای بر گراف‌ها Introduction to Graphs

• گراف چیست؟ What is a Graph?

• چرا از گراف استفاده می‌کنیم؟ Why Graphs?

• چرا گراف؟ مثال ۱: شبکه‌های اجتماعی Why Graphs? Example 1: Social Networking

• چرا گراف؟ مثال ۲: شبکه‌های بیولوژیکی Why Graphs? Example 2: Biological Networks

• چرا گراف؟ مثال ۳: تحلیل شبکه اطلاعات انسانی Why Graphs? Example 3: Human Information Network Analytics

• چرا گراف؟ مثال ۴: شهرهای هوشمند Why Graphs? Example 4: Smart Cities

• هدف از تحلیل داده‌ها The Purpose of Analytics

• تأثیر ویژگی‌های V در Big Data بر روی گراف‌ها چیست؟ What are the impact of Big Data's V's on Graphs?

تحلیل گراف Graph Analytics

• تمرکز بر تکنیک‌های تحلیل گراف Focusing On Graph Analytics Techniques

• تحلیل مسیر (Path Analytics) Path Analytics

• سوال اساسی در تحلیل مسیر: بهترین مسیر چیست؟ The Basic Path Analytics Question: What is the Best Path?

• پیاده‌سازی الگوریتم دایکسترا Applying Dijkstra's Algorithm

• محدودیت‌های شمول و عدم شمول Inclusion and Exclusion Constraints

• تحلیل اتصال (Connectivity Analytics) Connectivity Analytics

• قطع کردن یک گراف Disconnecting a Graph

• اتصال: درجه ورودی و درجه خروجی Connectedness: Indegree and Outdegree

• تحلیل جامعه (Community Analytics) و ویژگی‌های محلی Community Analytics and Local Properties

• ویژگی جهانی: پیمانه‌ای بودن (Modularity) Global Property: Modularity

• تحلیل مرکزیت (Centrality Analytics) Centrality Analytics

• درس اختیاری ۱: الگوریتم دایکسترای دوطرفه Optional Lecture 1: Bi-directional Dijkstra Algorithm

• درس اختیاری ۲: الگوریتم دایکسترای هدف‌مند Optional Lecture 2: Goal-directed Dijkstra Algorithm

• درس اختیاری ۳: گراف‌های قانون توان (Power Law) Optional Lecture 3: Power Law Graphs

• درس اختیاری ۴: اندازه‌گیری تکامل گراف Optional Lecture 4: Measuring Graph Evolution

• درس اختیاری ۵: مرکزیت بردار ویژه (Eigenvector Centrality) Optional Lecture 5: Eigenvector Centrality

• درس اختیاری ۶: مسائل بازیکن کلیدی Optional Lecture 6: Key Player Problems

تکنیک‌های تحلیل گراف Graph Analytics Techniques

• اجرای کانتینر Neo4j Running Neo4j container

• کارگاه عملی: شروع کار با Neo4j Hands-On: Getting Started With Neo4j

• کارگاه عملی: تغییر گراف با Neo4j Hands-On: Modifying a Graph With Neo4j

• کارگاه عملی: وارد کردن داده‌ها به Neo4j Hands-On: Importing Data Into Neo4j

• کارگاه عملی: پرس‌وجوهای ابتدایی در Neo4j Hands-On: Basic Queries in Neo4j

• کارگاه عملی: تحلیل مسیر در Neo4j با استفاده از Cypher Hands-On: Path Analytics in Neo4j Using Cypher

• کارگاه عملی: تحلیل اتصال در Neo4j با استفاده از Cypher Hands-On: Connectivity Analytics in Neo4j With Cypher

پلتفرم‌های محاسباتی برای تحلیل گراف Computing Platforms for Graph Analytics

• مقدمه: پردازش گراف در مقیاس بزرگ Introduction: Large Scale Graph Processing

• مدل برنامه‌نویسی موازی برای گراف‌ها A Parallel Programming Model for Graphs

• سیستم Pregel: سیستمی که پردازش گراف را تغییر داد Pregel: The System That Changed Graph Processing

• معرفی Giraph و GraphX Giraph and GraphX

• فراتر از محاسبات تک-رأس (Single Vertex) Beyond Single Vertex Computation

• مقدمه‌ای بر GraphX: نمایش‌های عملی Introduction to GraphX: Hands-On Demonstrations

• کارگاه عملی: ساخت یک گراف Hands On: Building a Graph

• کارگاه عملی: ساخت هیستوگرام درجه Hands On: Building a Degree Histogram

• کارگاه عملی: رسم هیستوگرام درجه Hands On: Plot the Degree Histogram

• کارگاه عملی: اتصال شبکه و اجزای خوشه‌بندی Hands On: Network Connectedness and Clustering Components

• کارگاه عملی: پیوند دادن مجموعه‌داده‌های گراف Hands On: Joining Graph Datasets