В данном посте я разберу задачу причинно-следственного (Causal Inference) и затрону отдельные аспекты её решения с помощью ациклических направленных графов с использованием инструментов языка программирования R, не погружаясь в сложную математическую терминологию.

Создание отчетов графовой аналитики является важной частью работы многих проектов и бизнес-процессов. Однако, процесс создания и настройки таких отчетов может быть сложным и требовать больших усилий. В этом посте рассмотрю, как использование языка программирования Python и его библиотек может значительно упростить генерацию отчетов графовой аналитики в формате PDF.

В данной публикации мы рассмотрим, насколько эффективен torch.compile() на практике, заглянем под капот «двушки» PyTorch 2.0, чтобы узнать, как работает этот метод и какие преимущества он дает.

Неявные связи в графах. Что это и как с ними работать, разберу на примерах

Теория шести рукопожатий – социологическая теория, согласно которой двух любых людей разделяет всего пять уровней знакомых. Любители отечественного кинематографа могли увидеть её воплощение в одном из популярных новогодних фильмов – люди из разных уголков страны оказывались связаны друг с другом. Но что делать, если необходимо в реальной задаче отобразить подобные связи на карте? В таком случае, первым делом на ум приходит GraphMining.

Каждый разработчик был в такой ситуации, когда не понимаешь, как работает код, который был написан пару дней назад. Или в еще более сложной ситуации – нужно было «отдебажить» чужой код, без возможности привлечь автора. Здесь может пригодиться один из инструментов статистического анализа кода – Control Flow Graph или CFG

За последние 10 лет интерес к Network Science неимоверно возрос, что повлекло за собой закономерное развитие инструментов для исследований в данной области. Одним из них является python-библиотека NetworkX, предназначенная для анализа графов или других сетевых структур. В посте объясню и продемонстрирую как работают основные меры центральности, вычисляемые в графах.