Análisis de redes sociales. Statosphère, les statistiques du web et d'ailleurs. Media Aces - Médias sociaux en entreprise. Zetta.fr : La Révolution de l'Entreprise Digitale - Big Data. ECONOtique | Webradio | De l'économie aux technologies de l'information. DAF.info | L'actualité des solutions informatiques pour les directions financières (CFO) Analytic Technologies. Knowledge Management, management des connaissances - L'Analyse des Réseaux Sociaux. Si nous admettons que l’individu agit fortement sur son groupe social et que le groupe crée une contrainte qui pèse en retour sur les choix, les orientations, les comportements, les opinions des individus, alors il devient important de mieux analyser ces réseaux humains : leur structure, leurs normes, et la position de chaque individu.
C’est l’objectif d’une science relativement récente : l’Analyse des Réseaux Sociaux (ARS ou SNA pour Social Network Analysis en anglais). Pour l’introduire, prenons un exemple simple : Dans le schéma ci-dessus, 11 personnes ont été positionnées ; une flèche relie deux acteurs à chaque fois qu’ils ont déclaré se connaître (ou travailler ensemble). A première vue, on pourrait penser que Cécile, qui est celle qui connaît le plus de monde (6 liens) est la plus influente. . - un leadership implicite du groupe, des « leaders d’opinion », - des affinités/inimitiés entre personnes, les flux les plus actifs, - des communautés informelles, réseaux d’influence, Partitionnement de données. Un article de Wikipédia, l'encyclopédie libre. Exemple de clustering hiérarchique Pour obtenir un bon partitionnement, il convient d'à la fois : minimiser l'inertie intra-classe pour obtenir des grappes (cluster en anglais) les plus homogènes possibles.maximiser l'inertie inter-classe afin d'obtenir des sous-ensembles bien différenciés.
Vocabulaire[modifier | modifier le code] La communauté scientifique francophone utilise différents termes pour désigner cette technique. Intérêt et applications[modifier | modifier le code] Le partitionnement de données est une méthode de classification non supervisée (différente de la classification supervisée où les données d'apprentissage sont déjà étiquetées), et donc parfois dénommée comme telle. Applications : on en distingue généralement trois sortes[1] Algorithmes[modifier | modifier le code] Il existe de multiples méthodes de partitionnement des données, parmi lesquelles : Logiciels associés[modifier | modifier le code] Anil K.
Cluster analysis. The result of a cluster analysis shown as the coloring of the squares into three clusters. Cluster analysis or clustering is the task of grouping a set of objects in such a way that objects in the same group (called a cluster) are more similar (in some sense or another) to each other than to those in other groups (clusters). It is a main task of exploratory data mining, and a common technique for statistical data analysis, used in many fields, including machine learning, pattern recognition, image analysis, information retrieval, and bioinformatics.
Besides the term clustering, there are a number of terms with similar meanings, including automatic classification, numerical taxonomy, botryology (from Greek βότρυς "grape") and typological analysis. The subtle differences are often in the usage of the results: while in data mining, the resulting groups are the matter of interest, in automatic classification the resulting discriminative power is of interest. Definition[edit] Algorithms[edit] Algoritmo de agrupamiento. Generalmente, los vectores de un mismo grupo (o clústers) comparten propiedades comunes. El conocimiento de los grupos puede permitir una descripción sintética de un conjunto de datos multidimensional complejo. De ahí su uso en minería de datos. Esta descripción sintética se consigue sustituyendo la descripción de todos los elementos de un grupo por la de un representante característico del mismo. En algunos contextos, como el de la minería de datos, se lo considera una técnica de aprendizaje no supervisado puesto que busca encontrar relaciones entre variables descriptivas pero no la que guardan con respecto a una variable objetivo.
Aplicaciones[editar] Las técnicas de agrupamiento encuentran aplicación en diversos ámbitos. Algoritmos[editar] Existen dos grandes técnicas para el agrupamiento de casos: Existen diversas implementaciones de algoritmos concretos. Referencias[editar] Volver arriba ↑ Rousseeuw, P.J.; Kaufman, L. (1990). Enlaces externos[editar]