
社会网络分析(SNA) 是一套规范的对社会关系与结构进行分析的方法,社会网络分析的对象是不同的社会行动者内在联系而构成的网络结构。
社会网络分析思想最早起源于20世纪30年代西方的心理学和人类学研究。
社会网络分析主要沿着下面三个大的方向进行发展:
(1) 社会计量学派运用图论方法对社会网络分析做出了杰出的贡献。
(2) 20世纪30年代的哈佛学派致力于研究人际模式和"团伙"形式。
(3) 20世纪50年代,曼彻斯特学派进行了大量的社会网络研究,他们把社会网络分析技术运用到了人际关系上。
20世纪70年代以后,新哈佛学派在社会网络分析方面做出了巨大的贡献,他们逐步的完善了社会网络分析这种独特的研究方法。
自20世纪90年代以来,随着计算机技术的不断发展和网络分析理论研究的深入,社会网络分析的模型得到了进一步的改进,社会网络分析跨越了传统的学科界限从而越来越多的运用到了各个领域。社会网络分析逐渐成为了一种跨学科的研究方法。
社会网络分析的意义:
通过对网络中各种关系进行客观的定量分析为实证研究提供量化的检验工具。
社会网络分析是定性和定量的桥梁,它对大量的图表数据进行定量分析得出定性的结论。
社会科学研究的对象应是社会结构,而不是个体。通过研究网络关系,有助于把个体间关系、“微观”网络与大规模的社会系统的“宏观”结构结合起来。故英国学者J•斯科特指出:“社会网络分析已经为一种关于社会结构的新理论的出现奠定了基础。”
从零基础掌握社会网络分析,使用Python作为载体, 结合理论知识实际操作,
使学员不仅理解社会网络分析的计算思维方法, 同时掌握实际计算技能:
社会网络分析思想与应用现场班
培训时间:2019年9月13-14日 (周末两天)
培训地点:北京市海淀区丹龙大厦
培训费用:2000元 /1700元(学生价, 仅限全日制本科及硕士在读)
授课安排:上午9:00-12:00,下午1:30-4:30,答疑4:30-5:00
讲师介绍:
张忠元, 理学博士, 中央财经大学教授, 博士生导师, 中国计算机学会高级会员, 果壳网科学顾问。
主要研究兴趣在复杂网络分析和数据挖掘. 在Data Mining and Knowledge Discovery,Physical Review E, EPL, Knowledge and Information Systems, Scientific Reports, 中国科学等国内外著名期刊上发表学术论文十余篇。
爱思唯尔杰出审稿人, 担任Data Mining and Knowledge Discovery,Physica A, Management Science等著名期刊的匿名审稿人。
课程目的:
1. 希望大家经过两天的学习, 能对基本的社会网络分析理论和实际应用有所掌握, 同时掌握Python分析网络数据的基本技能;
2. 希望学员能够理解大量顶级期刊上相关领域的研究, 以期为后续学习和研究打下宽厚坚实的基础。
课程大纲:
第1讲(3小时)
1. 欧拉七桥问题(0.5小时)
2. 图论的发展历史(0.25小时)
3. 社会网络分析的发展历史(0.25小时)
4. 图论的现状和主要关注的问题(2小时)
第2讲(2.5小时)
1. Python编程的基础知识(0.5小时)
2. 图论相关编程实践(0.5小时)
3. 社会网络分析的现状和主要关注的问题(0.25小时)
4. 社会网络的小世界性质(0.5小时)
5. ER、WS、BA网络生成模型(0.5小时)
6. 其它生成模型, 产生具有特定拓扑结构性质的网络 (0.25小时)
7. 使用Python进行实操生成网络
第3讲(3.5小时)
1. 社会网络拓扑结构的稳健性和易感性(0.5小时)
2. 社会网络的同配性概念和计算(0.25小时)
3. 弱连边的强度(0.25小时)
4. 社会网络点的中心性(0.5小时)
5. 社会网络的社团结构探测: 方法和评价(0.5小时)
6. 链路预测(0.5小时)
7. 符号网络、多层网络和含时网络分析(0.5小时)
以上均使用python实际操作
第4讲(3小时)
1. 社会网络上的博弈论(0.5小时)
2. SI、SIS、SIR模型 (0.5小时)
3. 线性阈值模型、级联模型(0.25小时)
4. 以上模型的性质, 关系和区别 (0.25小时)
5. 以上模型的python实操 (0.25小时)
6. 案例、文献阅读、机动、互动和答疑时间(1小时)
优惠:
现场班老学员9折优惠;
同一单位三人以上同时报名9折优惠;
以上优惠不叠加。
报名流程:
1,点击“https://www.cda.cn/kecheng/67.html”,填写报名信息提交;
2,通过订单支付(需要刷卡或者对公转账请与我们联系);
3,开课前一周发送资料及交通住宿指南;
4,现场领取发票及开课通知。
联系方式:
魏老师
Tel:010-68478566
Mail:vip@pinggu.org
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10