En savoir plus
Diese umfassende Einführung in die rechnergestützte Netzwerktheorie als ein Zweig der Netzwerktheorie baut auf dem Grundsatz auf, dass solche Netzwerke als Werkzeuge zu verstehen sind, mit denen sich durch die Anwendung rechnergestützter Verfahren auf große Mengen an Netzwerkdaten Hypothesen ableiten und verifizieren lassen.
Ein Team aus erfahrenden Herausgebern und renommierten Autoren aus der ganzen Welt präsentieren und erläutern eine Vielzahl von repräsentativen Methoden der rechnergestützten Netzwerktheorie, die sich aus der Graphentheorie, rechnergestützten und statistischen Verfahren ableiten.
Dieses Referenzwerk überzeugt durch einen einheitlichen Aufbau und Stil und eignet sich auch für Kurse zu rechnergestützten Netzwerken.
Table des matières
Model Selection for Neural Network Models: a Statistical Perspective
Measuring Structural Correlations in Graphs
Spectral Graph Theory and Structural Analysis of Complex Networks: an Introduction
Contagion in Interbank Networks
Detection, Localization, and Tracking of a Single and Multiple Targets with Wireless Sensor Networks
Computing in Dynamic Networks
Visualization and Interactive Analysis for Complex Networks by means of Lossless Network Compression
A propos de l'auteur
Matthias Dehmer studied mathematics at the University of Siegen (Germany) and received his PhD in computer science from the Technical University of Darmstadt (Germany). Afterwards, he was a research fellow at Vienna Bio Center (Austria), Vienna University of Technology and University of Coimbra (Portugal). Currently, he is Professor at UMIT - The Health and Life Sciences University (Austria). His research interests are in bioinformatics, cancer analysis, chemical graph theory, systems biology, complex networks, complexity, statistics and information theory. In particular, he is also working on machine learning-based methods to design new data analysis methods for solving problems in computational biology and medicinal chemistry.
Frank Emmert-Streib studied physics at the University of Siegen (Germany) and received his Ph.D. in Theoretical Physics from the University of Bremen (Germany). He was a postdoctoral research associate at the Stowers Institute for Medical Research (Kansas City, USA) in the Department for Bioinformatics and a Senior Fellow at the University of Washington (Seattle, USA) in the Department of Biostatistics and the Department of Genome Sciences. Currently, he is Lecturer/Assistant Professor at the Queen's University Belfast at the Center for Cancer Research and Cell Biology (CCRCB) leading the Computational Biology and Machine Learning Lab. His research interests are in the field of computational biology, machine learning and biostatistics in the development and application of methods from statistics and machine learning for the analysis of high-throughput data from genomics and genetics experiments.
Matthias Dehmer studied mathematics at the University of Siegen (Germany) and received his PhD in computer science from the Technical University of Darmstadt (Germany). Afterwards, he was a research fellow at Vienna Bio Center (Austria), Vienna University of Technology and University of Coimbra (Portugal). Currently, he is Professor at UMIT - The Health and Life Sciences University (Austria). His research interests are in bioinformatics, cancer analysis, chemical graph theory, systems biology, complex networks, complexity, statistics and information theory. In particular, he is also working on machine learning-based methods to design new data analysis methods for solving problems in computational biology and medicinal chemistry.
Frank Emmert-Streib studied physics at the University of Siegen (Germany) and received his Ph.D. in Theoretical Physics from the University of Bremen (Germany). He was a postdoctoral research associate at the Stowers Institute for Medical Research (Kansas City, USA) in the Department for Bioinformatics and a Senior Fellow at the University of Washington (Seattle, USA) in the Department of Biostatistics and the Department of Genome Sciences. Currently, he is Lecturer/Assistant Professor at the Queen's University Belfast at the Center for Cancer Research and Cell Biology (CCRCB) leading the Computational Biology and Machine Learning Lab. His research interests are in the field of computational biology, machine learning and biostatistics in the development and application of methods from statistics and machine learning for the analysis of high-throughput data from genomics and genetics experiments.
Résumé
Diese umfassende Einführung in die rechnergestützte Netzwerktheorie als ein Zweig der Netzwerktheorie baut auf dem Grundsatz auf, dass solche Netzwerke als Werkzeuge zu verstehen sind, mit denen sich durch die Anwendung rechnergestützter Verfahren auf große Mengen an Netzwerkdaten Hypothesen ableiten und verifizieren lassen.
Ein Team aus erfahrenden Herausgebern und renommierten Autoren aus der ganzen Welt präsentieren und erläutern eine Vielzahl von repräsentativen Methoden der rechnergestützten Netzwerktheorie, die sich aus der Graphentheorie, rechnergestützten und statistischen Verfahren ableiten.
Dieses Referenzwerk überzeugt durch einen einheitlichen Aufbau und Stil und eignet sich auch für Kurse zu rechnergestützten Netzwerken.
