Доброе утро! Эта публикация — вторая часть небольшого цикла, посвящённого алгоритмам вложений вершин графа в векторное пространство. Сегодня рассмотрим главную идею алгоритмов, основанных на случайных блужданиях. Перед прочтением рекомендую прочитать первую часть.

Данная публикация является 1 частью небольшого цикла, посвященного алгоритмам вложения вершин графа в векторное пространство. Конкретно сегодня расскажу об алгоритмах, основанных на матричных факторизациях. Метод излагается последовательно, опираясь на занимательную задачу поиска сообществ в графе

Задача анализа графа может состоять из множества небольших отдельных кирпичиков -подзадач. Сегодня я сделаю обзор отдельных базовых возможностей, а также поделюсь своим опытом работы с пакетом igraph – мощным инструментом для анализа графов в экосистеме языка R.

Анализ исходного кода — давно зарекомендовавшая себя практика для выявления отклонений до выхода приложения на рынок. Проверка на уязвимости, program understanding, поиск логических ошибок в использовании библиотек, code review и многие другие методы статического, динамического и ручного анализа кода широко применяются во многих компаниях, занимающихся разработкой программ.
Делюсь практикой исследования кода приложения, которую использовал я, для решения задачи

В задачах Process Mining требуется постоянно менять входные параметры и сохранять результаты работы. При большем числе их запусков возникает потребность в отдельной системе для управления передаваемыми параметрами и логирования. В этом посте рассмотрим, как фреймворк Hydra может помочь

Вы наверняка часто слышали об XML и вам известно хотя бы одно приложение, экспортирующее данные в этот формат. XML имеет большую совместимость и благодаря этому применяется для обмена данными между базами данных и пользовательскими компьютерами. Но как именно с ним работать и анализировать? Разберу практическую задачу с экспортированными данными в XML и визуализацией этих данных

Добрый день! Сегодня речь пойдет про алгоритмы выделения ключевых слов Rake, YAKE! И TextRank. Выделение ключевых слов становится все более актуальным с постоянным ростом объемов текстовой информации, которую необходимо каким-то образом классифицировать по тематике. Рассмотренные модели обладают интересными свойствами и преимуществами по сравнению с классическими алгоритмами, поскольку не требуют обучения.