Висновки

Під час практики я працював над проектом добування даних з соціальних мереж в Університеті Штату Луізіана. Добування даних з соціальних мереж є новою областю, яка дозволяє отримати корисні знання з соціальних мереж. Використання цих знань корисне для налагодження взаємодії між організаціями, найму людей і побудови маркетингових стратегій. Одним з підходів аналізу соціальних мереж є представлення їх у вигляді соціального графу взаємовідносин.

Працюючи на цим проектом, я інструменти аналізу графів та метрики графів. Декілька цікавих метрик: центральність і коефіцієнт кластеризації. Міри центральності допомагають визначити популярні або впливові вузли. Коефіцієнт кластеризації показує наскільки тісними є взамовідносини між вузлами. Мною було розроблено додаток, що виконує завантаження і аналіз мереж.

Також під час пркатики я працював над моєю магістерською кваліфікаційною роботою. Я спроектував і реалізував архітектуру додатку і основних алгоритмів. Щоб забезпечити гнучкість системи я вирішив побудувати додаток з трьох частин: ядра, алгоритмів, та графічного інтерфейсу користувача. Мова програмування Java була обрана завдяки тому, що вона забезпечує компроміс між швидкістю виконання програми і простотою розробки. Для налаштування взаємодії цих трьох частин додатку, було вирішено застосувати каркас Spring.

Навички аналізу графів, отримані мною під час практики в Університеті штату Луізіана можуть бути застосовані для реалізації локальних ознак класифікатора. Використання локальних ознак допоможе класифікувати різні типи лейкоцитів, що не може бути зроблено застосування глобальних статистичних ознак. За результатами роботи отримано матеріали, готові до публікації на конференції ТААС в Києві.

Список літератури

1. Louisiana State University. Retrieve from the website:

https://en.wikipedia.org/wiki/Louisiana_State_University

2. Welcome page of the Division of Computer Science and Engineering at LSU. Retrieved from website: http://www.cse.lsu.edu/welcome

3. Reza, Z., Mohammad, A.A., Huan L. (2014) “Social Media Mining, An Introduction.” Tempe, AZ: Cambridge University Press

4. An introduction to centrality measures. Retrieve from website:

https://sites.google.com/site/networkanalysisacourse/schedule/an-introduction-to-centrality-measures

5. Social and Technological Network Analysis. Retrieved website:

https://www.cl.cam.ac.uk/teaching/1314/L109/stna-lecture3.pdf

6. Brandes, Ulrik (2008). "On variants of shortest-path betweenness centrality and their generic computation". Social Networks 30: 136–145.

7. Stanford Network Analysis Project. Retrieved from website:

http://snap.stanford.edu/

8. NodeXL. Retrieved from website: https://en.wikipedia.org/wiki/NodeXL

9. GraphML. Retrieved from website: https://en.wikipedia.org/wiki/GraphML

10. Otsu, N., "A Threshold Selection Method from Gray-Level Histograms," IEEE Transactions on Systems, Man, and Cybernetics, Vol. 9, No. 1, 1979, pp. 62-66.

11. Проект Лекториум. “лекция 7 | Анализ изображений и видео | Наталья Васильева ” YouTube. YouTube, 16 July 2013. Web. 25 July 2015.

12. Проект Лекториум. “лекция 2 | Анализ изображений и видео | Наталья Васильева ” YouTube. YouTube, 16 July 2013. Web. 20 July 2015.

13. Yandex blog - Image and video analysis. Creating features and image comparing: local features. Yandex, 2015. Retrieve from the website:

http://habrahabr.ru/company/yandex/blog/256459/