图数据上的非监督学习在激活大数据的经济价值上有着广泛和不可替代的作用。 PageRank能够发掘重要的实体, 社区发掘(community detection)可以找到具有某种特性的群体,紧密度中心性算法(closeness centrality)可以自动找到远离群体的个体。所有这些算法都是非监督的学习。 我们分享了一些具体的客户案例来展示他们的价值,同时分享怎样在大数据上灵活应用这些开源算法。

在本次网络研讨会中,我们将介绍:

-社区发掘案例:针对某一个特定(地区,病历)病人群体,怎样找对他们最有影响的供药机构?哪些病人被挖掘出来的供药机构影响?这些病人群体的规模和社会影响有多大?

-其他社区发掘案例:1)挖掘股票交易群体和共同交易特征。2)挖掘具有某种供需特征的特殊群体,更好调度邮寄服务。 3)挖掘犯罪团伙和集体欺诈的团体。

-PageRank: 怎样定制PageRank来找到最有影响力的实体。

通过这些案例分析,我们展示并深度剖析一组开源的非监督学习发掘图算法在客户中的应用,并示例如何轻松定制和扩展这些算法。

立即注册,即可免费获得TigerGraph网络研讨会回放视频、讲义等全套资料!