lunes, 26 de septiembre de 2016

ARS 101: Redes de narcos en Gephi

"Venta de drogas": Análisis de Redes con Gephi (Tutorial)

Ouseful,.info

A través de un vínculo de referencia Check Yo Self: 5 Things You Should Know About Data Science (Author Note) al criticar mapeo de tweets sin más análisis ( "Si estás haciendo grafos en Gephi de tweets, es probable que estés haciendo más análisis de marketing que análisis de ciencia de datos y corténla!. por favor. no lo puedo aguantar más. ... de qué sirve a alguien tener grafos de tweets y no hacerle análisis a ellos? "), me encontré con el blog [sin curso] Analytics Made Skeezy de John Foreman:

Analytics Made Skeezy es un blog falso. Cada post es parte de una narrativa más grande diseñada para enseñar una variedad de temas de análisis mientras se mantiene interesante. El uso de una sola narrativa me permite contrastar diferentes enfoques dentro del mismo mundo falso. Y en última instancia, eso es lo que este blog es acerca de: enseñar al lector cuándo usar ciertas herramientas analíticas.

Rebotando a través de ejemplos descritos en algunos de los puestos hasta la fecha, Even Wholesale Drug Dealers Can Use a Little Retargeting: Graphing, Clustering & Community Detection in Excel and Gephi no es sorprendente que me haya llamado la atención. Ese puesto se describe, en forma narrativa, cómo utilizar Excel para preparar y dar forma a un conjunto de datos para que pueda ser importado en Gephi como un archivo CSV de imitación y luego ejecutar a través de estadística de la modularidad de Gephi; el conjunto de datos aumentada clase modularidad puede ser exportado de los datos de laboratorio Gephi y re-presentado en Excel, con lo cual el uso juicioso de la columna de clasificación y formato condicional se usa para tratar de generar algún tipo de conocimiento acerca de los racimos / grupos descubiertos en los datos - al parecer, "Gephi puede aspirar un poco por darnos ese tipo de visión a veces. Depende del grafo y lo que estamos tratando de hacer ". Y además:

Si usted tenía un gran conjunto de datos que se preparó en un grafo de vecinos más cercanos recortado, tener en cuenta que visualizándolo en Gephi es sólo por diversión. No es necesario para la penetración real, independientemente de lo que los montones de presentaciones de tweets-extensión-como se visualiza-en-Gephi podrían decirle (amordáceme). Sólo tiene que hacer la pieza de detección de la comunidad. Se puede utilizar para ese Gephi o las bibliotecas que utiliza. R y Python ambos tienen un paquete llamado igraph que hace estas cosas también. Lo que usted utiliza, sólo tiene que obtener las tareas de la comunidad de su gran base de datos para que pueda funcionar cosas como el análisis agregado sobre ellos a la inteligencia brotan de cada grupo.

No estoy necesariamente de acuerdo con la implicación de que a menudo necesitamos hacer algo más que mirar a cuadros bonitos en Gephi para dar sentido a un conjunto de datos; pero sí creo que también podemos utilizar Gephi de una manera activa para mantener una conversación con los datos, generando algún tipo de ideas preliminares a cabo sobre el conjunto de datos que entonces podemos explorar más a fondo el uso de otras técnicas analíticas. Entonces, ¿qué voy a tratar de hacer en el resto de este post es ofrecer algunas sugerencias acerca de una o dos maneras en las que podríamos utilizar Gephi para comenzar a conversar con el mismo conjunto de datos descrito en el puesto Narcotraficante Cambio de destino. Antes de hacerlo, sin embargo, le sugiero que lea el post original y tratar de llegar a algunas de sus propias conclusiones acerca de lo que los datos podrían estar diciéndonos ...

...

¿Listo? En resumen, el conjunto de datos original ( "Inventario") es una lista de "ofertas", con columnas relativas a los dos tipos de cosas: 1) cualidad de un acuerdo; 2) una columna por un distribuidor que señala si ellos tomaron ese trato. entonces se genera una matriz de cliente / cliente y el coseno similitud entre cada cliente calculado (nota: otras métricas de distancia están disponibles ...) indicando la medida en la que participó en acuerdos similares. La selección de los tres vecinos más similares a los de cada cliente crea un "grafo de vecinos más próximos recortado", que se munged en un formato de datos CSV-parecida a la Gephi puede importar. Gephi se utiliza entonces para hacer un análisis visual muy rápida / superficial (y con descuento), y ejecutar el algoritmo de detección de la modularidad / agrupación.

Entonces, ¿cómo iba yo he atacado este conjunto de datos (Nota: IANADS (no soy un científico de datos ;-)

Una forma sería tratarlo desde el principio como definir un grafo en el que los distribuidores están conectados a los oficios. Utilizando una versión ligeramente ordenado de la ficha de inventario 'del conjunto de datos original en el que me quita la primera filas (metadatos) y la última (totales), y ajustado uno de los nombres de columna para eliminar los corchetes (no creo que le gusta Gephi soportes en los nombres de atributo?), he utilizado la siguiente secuencia de comandos para generar una versión GraphML con formato de sólo un grafo de este tipo.

.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
#Python script to generate GraphML file
import csv
#We're going to use the really handy networkx graph library: easy_install networkx
import networkx as nx
import urllib
#Create a directed graph object
DG=nx.DiGraph()
#Open data file in universal newline mode
reader=csv.DictReader(open("inventory.csv","rU"))
#Define a variable to act as a deal node ID counter
dcid=0
#The graph is a bimodal/bipartite graph containing two sorts of node - deals and customers
#An identifier is minted for each row, identifying the deal
#Deal attributes are used to annotate deal nodes
#Identify columns used to annotate nodes taking string values
nodeColsStr=['Offer date', 'Product', 'Origin', 'Ready for use']
#Identify columns used to annotate nodes taking numeric values
nodeColsInt=['Minimum Qty kg', 'Discount']
#The customers are treated as nodes in their own right, rather than as deal attributes
#Identify columns used to identify customers - each of these will define a customer node
customerCols=['Smith', 'Johnson', 'Williams', 'Brown', 'Jones', 'Miller', 'Davis', 'Garcia', 'Rodriguez', 'Wilson', 'Martinez', 'Anderson', 'Taylor', 'Thomas', 'Hernandez', 'Moore', 'Martin', 'Jackson', 'Thompson', 'White' ,'Lopez', 'Lee', 'Gonzalez','Harris', 'Clark', 'Lewis', 'Robinson', 'Walker', 'Perez', 'Hall', 'Young', 'Allen', 'Sanchez', 'Wright', 'King', 'Scott','Green','Baker', 'Adams', 'Nelson','Hill', 'Ramirez', 'Campbell', 'Mitchell', 'Roberts', 'Carter', 'Phillips', 'Evans', 'Turner', 'Torres', 'Parker', 'Collins', 'Edwards', 'Stewart', 'Flores', 'Morris', 'Nguyen', 'Murphy', 'Rivera', 'Cook', 'Rogers', 'Morgan', 'Peterson', 'Cooper', 'Reed', 'Bailey', 'Bell', 'Gomez', 'Kelly', 'Howard', 'Ward', 'Cox', 'Diaz', 'Richardson', 'Wood', 'Watson', 'Brooks', 'Bennett', 'Gray', 'James', 'Reyes', 'Cruz', 'Hughes', 'Price', 'Myers', 'Long', 'Foster', 'Sanders', 'Ross', 'Morales', 'Powell', 'Sullivan', 'Russell', 'Ortiz', 'Jenkins', 'Gutierrez', 'Perry', 'Butler', 'Barnes', 'Fisher']
#Create a node for each customer, and classify it as a 'customer' node type
for customer in customerCols:
    DG.add_node(customer,typ="customer")
#Each row defines a deal
for row in reader:
    #Mint an ID for the deal
    dealID='deal'+str(dcid)
    #Add a node for the deal, and classify it as a 'deal' node type
    DG.add_node(dealID,typ='deal')
    #Annotate the deal node with string based deal attributes
    for deal in nodeColsStr:
        DG.node[dealID][deal]=row[deal]
    #Annotate the deal node with numeric based deal attributes
    for deal in nodeColsInt:
        DG.node[dealID][deal]=int(row[deal])
    #If the cell in a customer column is set to 1,
    ## draw an edge between that customer and the corresponding deal
    for customer in customerCols:
        if str(row[customer])=='1':
            DG.add_edge(dealID,customer)
    #Increment the node ID counter
    dcid=dcid+1
#write graph
nx.write_graphml(DG,"inventory.graphml")

El grafo que estamos generando (descarga .graphml) tiene una estructura básica que se ve algo como lo siguiente:



Lo que quiere decir, en este ejemplo cliente C1 efectúe un único acuerdo, D1; el cliente C2 participó en cada trato, D1, D2 y D3; y el cliente C3 participó de ofertas D2 y D3.

Al abrir el archivo grafo en Gephi como un grafo dirigido, se obtiene un recuento del número de operaciones reales existían a partir del recuento de enlaces:



Si se corre la estadística media de grado, podemos ver que hay algunos nodos que no están conectados a otros nodos (es decir, que son o bien se ocupa de ningún comprador o clientes que nunca han participado en un trato):



Podemos ver estos nodos utilizando un filtro:



También podemos utilizar el filtro para otro lado, para excluir las ofertas no aceptadas, y luego crear un nuevo espacio de trabajo que contiene sólo las ofertas que fueron tomados, y los clientes que compraron en ellos:



El selector de espacio de trabajo es en la parte inferior de la ventana, en el lado derecho:



(Hmmm ... por alguna razón, el grafo no filtrado se exporta para mí ... todo el grafo era. Un error? Toqueteando con filtro de Componente Gigante, a continuación, exportar, a continuación, ejecutar el filtro de componentes gigante en el grafo exportado y cancelación parecía fijar cosas ... pero algo no está funcionando bien?)

Ahora podemos empezar a probar algunos análisis visual interactiva. En primer lugar, vamos a exponer los nodos utilizando un algoritmo de diseño fuerza dirigida (ForceAtlas2) que trata de situar los nodos de manera que los nodos que están conectados están situados cerca uno del otro, y los nodos que no están conectados se mantienen separados (imaginar cada nodo como tratando de repeler a los otros nodos, con los enlaces tratando de tirar de ellos juntos).



Nuestra percepción visual es muy bueno para la identificación de las agrupaciones espaciales (véase, por ejemplo, los principios de la Gestalt, que conducen a muchos un truco de diseño y un cubo de pistas sobre cómo se burlan de datos, con exclusión de una manera visualmente significativa ...), pero ¿son realmente significativo ?

En este punto de la conversación que estamos teniendo con los datos, probablemente me llamo en una estadística que trata de colocar grupos de nodos conectados en grupos separados de modo que pudiera colorear los nodos en función de su pertenencia a un grupo: la estadística de modularidad:



La estadística de la modularidad es un algoritmo aleatorio, por lo que puede obtener diferentes (aunque muy similares) resulta cada vez que lo ejecute. En este caso, se descubrió seis agrupaciones o grupos de nodos interconectados posibles (a menudo, un grupo es una miscelánea ...). Podemos ver qué grupo cada nodo era lugar en aplicando una coloración de reparto



Vemos cómo las agrupaciones modularidad ampliamente mapa en que las agrupaciones visuales revelados por el algoritmo de diseño ForceAtlas2. Pero los grupos se refieren a algo significativo? ¿Qué pasa si nos volvemos las etiquetas de?



El grupo verde parece referirse a operaciones de malezas, los rojos son X, metanfetamina y ketamina ofertas, y amarillo para las cabezas de coque. Así que las ofertas no parecen agruparse en torno a diferentes tipos de trato.

Entonces, ¿qué más podríamos ser capaces de aprender? ¿La dimensión de manera operacional en un acuerdo por separado a cabo en todos los nodos (nulos en esta dimensión se relaciona con los clientes)?



Tendríamos que saber un poco más acerca de cuáles podrían ser las consecuencias de "listo para el uso", pero a simple vista nos dan una sensación al del cluster en el extremo izquierdo está dominado por las operaciones con un gran número de clientes (hay un montón de blancos nodos / cliente) y el cluster relacionados Coca-Cola de la derecha tiene un buen número de oficios (los nodos verdes) que no están listos para su uso. (Una pregunta que viene a la mente mirando esa área es: ¿existen clientes que parecen ir a por no listo para su uso oficios, y lo que podría decirnos esto sobre ellos si es así?)

Otra cosa que podríamos mirar a es el tamaño de las operaciones, así como cualquier descuento asociados. Coloreemos los nodos utilizando la herramienta de partición de acuerdo con el tipo de nodo (nombre de atributo es "típico" - nodos son ofertas (rojo) o clientes (aqua)) y luego el tamaño de los nodos de acuerdo para hacer frente a tamaño utilizando la pantalla de clasificación:



Las ofertas "fritas" pequeñas en el grupo de la mano izquierda. Mirando de nuevo a la agrupación de Coca-Cola, donde hay una mezcla de ofertas de pequeñas y grandes, otra pregunta que podríamos presentar distancia se encuentra "son los clientes que optan por allí, ya sea para los comercios grandes o pequeños?"

Volvamos al color original (a través de la partición La modularidad de color, tenga en cuenta que la asignación aleatoria de colores podría cambiar a partir del conjunto color original; botón derecho del ratón que permite volver a asignar al azar a los colores; al hacer clic en un cuadrado de color le permite color Seleccione por mano) y el tamaño de los nodos de grado de salida (es decir, la suma total de los enlaces salientes de un nodo - recuerde, el grafo se describió como un grafo dirigido, con los enlaces que van desde las transas a los clientes):



entonces he dimensionado las etiquetas para que sean proporcionales al tamaño de los nodos:






El tamaño nodo / etiqueta muestra que se ocupa tenían un montón de compradores. De calibrado por el grado de salida muestra el número de ofertas de cada cliente participó en:



Esta es una visión bastante desordenado ... volviendo al panel Diseño, podemos usar el diseño de expansión para estirarse todo el diseño, así como la Etiqueta ajusta la herramienta para sacudir nodos de modo que las etiquetas no se superponen. Observe que también puede hacer clic en un nodo para arrastrarlo por, o un grupo de nodos mediante el aumento de la "campo de visión" del cursor del ratón:



Así es como me rearmé el diseño mediante la ampliación de la disposición después ajustando las etiquetas ...:



(Una de las cosas que podría estar tentado a hacer es filtrar los usuarios que sólo participan en uno o dos o ofertas, tal vez como un wau de la identificación de los clientes habituales, por supuesto, un usuario sólo puede participar en una sola, pero muy grande trato, así que tendríamos que pensar cuidadosamente acerca de lo que eran en realidad la pregunta pidiendo a la hora de hacer una elección. por ejemplo, también puede estar interesado en la búsqueda de clientes que realizan grandes operaciones poco frecuentes, lo que requeriría una estrategia de análisis diferente.)

En la medida en que va, esto no es realmente muy interesante - lo que podría ser más convincente sería datos en relación con quien trataba con quién, pero que no está disponible inmediatamente. Lo que debemos ser capaces de hacer, sin embargo, es ver lo que los clientes están relacionados en virtud de participar de las mismas ofertas, y ver qué ofertas están relacionados en virtud de haber tratado a los mismos clientes. Podemos quizá chico nosotros mismos pensando que podemos ver en el grafo cliente-acuerdo, pero podemos ser un poco más riguroso de dos en la construcción de dos nuevos grafos: uno que muestra enlaces entre ofertas que comparten uno o más clientes comunes; y uno que muestra enlaces entre clientes que comparten una o más de las mismas ofertas.



Recordando la grafo /bipartito / "bimodal" arriba:



Eso significa que debemos ser capaces de generar grafos unimodales a lo largo de las siguientes líneas:



D1 está conectado a través de D2 y D3 C2 cliente (es decir, existe un enlace entre D1 y D2, y otro enlace entre D1 y D3). D2 y D3 se unen entre sí a través de dos rutas, C2 y C3. Así podemos ponderar el enlace entre D2 y D3 de ser más pesado, o más importante, que el enlace entre ambos D1 y D2, D1 y D3 o.

¿Y para los clientes?



C1 está conectado a través de C2 acuerdo D1. C2 y C3 están conectados por un enlace ponderada más pesado que refleja el hecho de que ambos participaron en ofertas D2 y D3.

Usted se espera que sea capaz de imaginar cómo más complejos grafos de cliente-acuerdo podría colapsar en grafos al cliente en el cliente o el acuerdo de reparto donde hay grupos de clientes (u ofertas) basado en el hecho de que múltiples, desconectado (o sólo muy débilmente conectada) hay conjuntos de ofertas que no comparten ningún clientes comunes en absoluto, por ejemplo. (A modo de ejercicio, trate de dar con algunos grafos cliente-acuerdos y luego "colapso" a los grafos del cliente del cliente o contrato de acuerdo, que estén desconectados componentes.)

Entonces, ¿podemos generar grafos de este tipo utilizando Gephi? Bueno, da la casualidad que podamos, con la función de proyección multimodo Networks. Para empezar vamos a generar un par de espacios de trabajo que contienen el grafo original, menos las ofertas que no tenían clientes. Al seleccionar uno de estos espacios de trabajo, que ahora puede generar el grafo de acuerdo de reparto (vía común de los clientes) :



Cuando corremos la proyección, el grafo se proyecta sobre un grafo de oferta-oferta:



El espesor de los enlaces describe el número de clientes dos ofertas compartidos.

Si se corre la estadística de la modularidad sobre el grafo de acuerdos -acuerdos y el color del grafo por la partición de la modularidad, podemos ver cómo las ofertas se agrupan en virtud de tener clientes compartidos:



Si a continuación, vamos a filtrar el grafo de espesor en el enlace de manera que sólo se muestran los enlaces con un grosor de tres o más (tres clientes compartidos) podemos ver algunos cómo algunos de los tipos de trato mirada como si se agrupan en torno a determinadas comunidades sociales (es decir, se suministran a la misma serie de personas):



Si ahora vamos a la otra área de trabajo que hemos creado que contiene el grafo original (menos ofertas insatisfechas), podemos generar la proyección cliente-cliente:



Ejecutar la estadística de la modularidad y recolour:



Si bien hay mucho que decir para el mantenimiento de la disposición espacial de manera que podamos comparar las diferentes parcelas, podríamos tener la tentación de volver a ejecutar el algoritmo de diseño para ver si el que se destacan las asociaciones estructurales más claramente? En este caso, no hay mucha diferencia:



Si corremos el diámetro de la herramienta de red, podemos generar algunas estadísticas de red a través de esta red cliente-cliente:



Si ahora por tamaño los nodos de centralidad de intermediación, el tamaño de las etiquetas de los nodos proporcionales, y el uso de las herramientas de expandir / etiqueta de diseño de solapamiento de ajustar la pantalla, esto es lo que obtenemos:



Thompson parece ser un personaje interesante, que abarca los diversos grupos ... pero lo que en realidad está ofertas participando en? Si volvemos al grafo del cliente-acuerdo orignal, podemos utilizar un filtro para ver el ego:



Para buscar grupos sociales reales, podemos filtrar la red basada en el peso de enlace, por ejemplo, para mostrar sólo los enlaces por encima de un determinado peso (es decir, el número de ofertas compartidos), y luego dejar caer este conjunto en un nuevo espacio de trabajo. Si corremos el estadístico de Grado Medio, se puede calcular el grado de los nodos en este grafo, y el tamaño de los nodos en consecuencia. La retransmisión del grafo nos muestra algunas redes sociales corse basado en un número significativo de operaciones compartidas:



Esperemos que ahora que está empezando a "ver" cómo podemos empezar a tener una conversación visual con los datos, preguntas diferentes de la misma en base a cosas que estamos aprendiendo sobre él. Si bien es posible que tenga que mirar realmente a los números (y pestaña Laboratorio de Datos de Gephi nos permite hacer eso), me parece que la exploración visual puede proporcionar una forma rápida de orientación (orientador?) Usted mismo con respecto a un determinado conjunto de datos, y conseguir una sentir por el tipo de preguntas que pueden formularse de la misma, preguntas que bien podría implicar una consideración detallada de los mismos números reales. Pero para empezar, el recorrido visual a menudo funciona para mí ...

PS Hay un enlace al archivo de grafo de aquí, así que si quieres probar explorar por sí mismo, puede hacerlo :-)

sábado, 24 de septiembre de 2016

Scale Model usa ARS para sacar (acabadamente) tu perfil online

Este emprendimiento puede analizar cualquier persona es la personalidad en línea en menos de un minuto

Avery Hartman - Business Insider




CEO Peter Margulies del Scale Mode

Poner a prueba el software del Scale Model es como conseguir una mirada terriblemente precisa en su personalidad en línea.

La tecnología de la Scale Model analiza usted o de su compañía de red - al igual que las personas, los temas y lugares a los que hablan con frecuencia o está conectado a - con la idea de que una red se puede decir un montón de información útil, que puede ayudar a encontrar la mayor parte redes de influencia o "influenciadores" populares dentro de una comunidad y ayuda a orientar mejor a las personas a través de los esfuerzos de marketing.

Si eso suena un poco filosófica, eso es porque lo es. Pero también es muy técnico, y el equipo detrás del Scale Model ha sido cabezas hacia abajo desde el Año Nuevo la reconstrucción de su producto. El Scale Model lanzó su producto original en 2015 mayo, que fue dirigido principalmente a la publicidad de Twitter, pero la compañía se dio cuenta de que había más que podría hacer con su tecnología y giró a principios de 2016. La compañía puso en marcha una nueva y mejorada versión beta en julio , y ahora, está listo para entrar a vivir.

Scale Model es una empresa Betaworks, el estudio de emprendimiento que se puso en marcha empresas como Giphy y Chartbeat e invirtió en Tumblr, Hunt producto, y Everlane. Fue fundada por Gilad Lotán, el jefe científico de datos de la compañía, y Margulies se unió al equipo hace un año. Scale Model dice que lo hizo alrededor de $ 30.000 en ingresos antes del lanzamiento.

Las 'redes importan'

Si bien no soy cliente objetivo del Scale Model - el software está destinado a marcas y empresas, no necesariamente individuos - Me decidí probarlo y me sorprendió lo que supo de mí.

Entré en mi mango Twitter - aunque también se puede introducir una palabra clave o hashtag - y la tecnología de peinado a través de mi cuenta y creé una carta de colores, interactiva de mi comunidad.

El grafo resultante me describió en pocas palabras.


Modelo gráfico del Scale Model

Mis burbujas de colores describen todos los hitos más importantes de mi vida: Trabajo en mi papel de la universidad, The Daily Orange, la interinato en el US Today, asistiendo a la Universidad de Syracuse, viviendo en la ciudad de Nueva York y Pittsburgh, y que incluso incluyen mi hashtag favorito todo el tiempo, #Buffalove.

Esto es sólo una pequeña faceta de lo que es capaz de Scale Model, y sólo el principio de que la compañía tiene previsto llevar la tecnología.

Peter Margulies, CEO de la compañía, dijo a Business Insider que, si bien el primer paso es el lanzamiento de esta herramienta de marketing, el siguiente paso es la construcción de la tecnología que puede analizar los datos internos de la empresa.

Eso podría ser valiosa para una empresa como la yesca, dijo, lo que tiene grandes cantidades de datos de usuario. La tecnología de Scale Model podría analizar los datos para encontrar patrones, identificar conexiones o similitudes entre los usuarios, o para manchar las comunidades más pequeñas de las personas.

Pero hay usos más amplios para el software, así, dijo.

 "La tecnología podría utilizarse para analizar el debate de las armas o derechos de la mujer", dijo Margulies. "La lente a través del cual se consume la información se basa únicamente en la red, y el nudo en torno a lo que estamos construyendo es la idea de que las redes son importantes. Analizando la estructura de una red a la que puede decir mucho acerca de las personas en la red de lo que vuelvas a decir acerca de ellos mismos ".

Alejándose del enfoque de "rociar y rezar '

Margulies admite que hay un montón de herramientas como esta ya en el mercado, y que se está lanzando en un espacio lleno de gente.

Twitter y Facebook ya ofrecen herramientas de análisis y de anuncios que puede decir mucho acerca de los usuarios. Pero esas herramientas sólo cuentan los usuarios acerca de sus propias audiencias y seguidores. Margulies dice del Scale Model puede ayudar a encontrar comunidades que ya existen - como "madres bloggers" que están buscando productos para el hogar orgánicos, por ejemplo - y aprovechar esas redes externas audiencia actual de la compañía.

"Hay una gran cantidad de fatiga comprador en este espacio," dijo. "Pero hay marcas que dan cuenta de la forma en que el mundo se está moviendo, que está lejos de 'spray y rezan' - como, 'vamos a enviar el mismo mensaje a 100 millones de personas."

El Scale Model ofrece su tecnología en tres niveles diferentes: básico, que cuesta $ 99 al mes, le da acceso a algo similar a lo que he intentado anteriormente. A medida que suben en niveles de precios, se puede acceder a más funciones como un motor que detecta tendencias en las comunidades que siguen, o más herramientas de organización. El nivel de Pro cuesta $ 599 por mes y el nivel de la empresa cuesta $ 1899 por mes.

El objetivo, dijo Margulies, es que cualquier persona a partir de una pequeña empresa y para una gran corporación puede utilizar la tecnología para obtener más información sobre las personas que les gustaría conectarse.

jueves, 22 de septiembre de 2016

ARS: La red criminal de Al Capone

Como ciencia de las redes ha desenterrado las relaciones superpuestas del crimen organizado en Chicago de Al Capone
Blog LSE



La fascinación pública por el crimen organizado no es nueva. En una nueva investigación que estudia las relaciones sociales de la delincuencia organizada en Chicago en la década de 1920, Chris M. Smith y Andrew V. Papachristos fueron capaces de tomar ventaja de esta fascinación con la disponibilidad de miles de notas y documentos en red criminal de Al Capone. Mediante la aplicación de análisis de redes para las relaciones criminales en las bandas de Capone, encontramos que multiplicidad - cuando dos personas tienen más de una relación - era una parte rara pero muy relevante de la red era de la prohibición de Chicago. Su investigación resaltar las formas en que multiplicidad vínculo entre el mundo terrenal y el mundo superior - un proceso que organiza la delincuencia en la sociedad.

La organización criminal de Al Capone existía antes de los días de Facebook, Twitter y de CompStat, pero la continuación y la prominencia de su sindicato se basó en el poder de las redes sociales. Para analizar el papel de las redes sociales en el crimen organizado, tomamos la ciencia de la red - un enfoque computacional de vanguardia que los mapas y las relaciones entre las medidas de la gente - y lo aplicamos a la prohibición era de Chicago. Hace casi un siglo, los EE.UU. prohibió la producción y distribución de alcohol bajo la 18ª Enmienda. Este experimento social, conocida como la Ley Seca, duró sólo 14 años, pero tuvo la consecuencia a largo plazo de fortalecimiento de la delincuencia organizada en todos los EE.UU., especialmente en ciudades como Chicago. Nuestro estudio reciente muestra cómo varios tipos de relaciones formadas y red criminal de Al Capone sostenidos.

Capone y sus compinches no dejaron ningún rastro de migas digital de datos en sus relaciones sociales; De hecho, la naturaleza de la delincuencia organizada exigió secreto, mucho antes que existiera una organización como Wikileaks. Afortunadamente para nuestros propósitos, una fascinación pública con la riqueza de Capone, moxie, y la violencia que data de la década de 1920 significó que miles de páginas de documentos relacionados con el crimen organizado de Capone se conservan en los archivos de Chicago. Se combinaron los datos grandes que piensan con el trabajo de archivo escuela detective-como el viejo con Al Capone como nuestro informante. Accedimos a más de 5.000 páginas de documentos históricos como investigador notas, documentos legales, cartas y recortes de periódico de archivos de formas de la Comisión del Delito de Chicago, el Archivo Nacional, el FBI y el IRS. cajas polvorientas y las páginas que contenían desmoronadas pepitas de información sobre el Al Capone, sus amigos, y los amigos de sus amigos.



Hemos organizado la información en cada caso individual, y la relación en una base de datos relacional, y nuestro análisis reveló 1.030 personas cuyas actividades criminales directa o indirectamente conectados con Al Capone. Sin embargo, la red de crimen organizado también contenía las relaciones personales, tales como miembros de la familia y las amistades y las relaciones legítimas que eran completamente legal pero fácilmente corruptibles, como las empresas copropietarios, asociaciones políticas, sindicales o asociaciones. El éxito en el crimen organizado requiere saber cuándo y dónde ocurrirán ataques, asegurando que los pilotos de cabeza del sindicato no estuvieron presentes durante esas incursiones, a sabiendas de que los agentes tendrían un soborno, y que garanticen que los fiscales nunca tuvieron pruebas suficientes para condenar. El éxito financiero en el crimen organizado permitido nuevas inversiones que van desde pequeñas empresas, tales como pistas de carreras de perros y tiendas de limpieza en seco, a las donaciones a las campañas políticas, y estas inversiones abierto nuevas esferas legítimas a las personas del crimen organizado.

La propiedad a la red de multiplicidad es esencial para la comprensión de las relaciones en el crimen organizado. Multiplicidad se produce cuando existe más de un tipo de relación entre dos personas. Por ejemplo, los compañeros de trabajo que también son amigos tienen relaciones múltiplex porque tienen al menos dos tipos distintos de relaciones entre ellos. Multiplicidad es una característica de gran alcance de las redes, ya que añade profundidad a las relaciones sociales y al mismo tiempo aumentando así el precio del fracaso relación. En el ejemplo múltiplex de compañeros de trabajo que también son amigos, el trabajo puede verse afectada si los amigos se meten en un desacuerdo.

Figura 1 - Relaciones No-múltiples y múltiples entre pares



La multiplicidad era una propiedad poco frecuente, pero muy relevante de la red era de la prohibición de Chicago. Nuestro estudio revela que sólo el 10 por ciento de las relaciones entre los individuos del crimen organizado contenía algo más que la actividad criminal, sino que estas relaciones se superponen múltiples eran esenciales para la operación del crimen organizado. La figura 2 muestra el mismo grupo de 1.030 individuos del crimen organizado y cada configuración representa los tres tipos muy diferentes de las relaciones entre ellos. Las parcelas del panel inferior derecho sólo el 10 por ciento de las relaciones a través de las tres redes que eran múltiples cada línea que simboliza al menos dos de los tres tipos de relaciones posibles.

Figura 2 - Las redes criminales, personales, legítimos, y múltiples en principios de 1900 el crimen organizado de Chicago


Nota: Figura impreso originalmente en Smith y Papachristos (2016). Los individuos con cero relaciones en cada red son de color gris claro; individuos que tenían relaciones en cada red son de color negro.

A pesar de que multiplicidad era raro en el crimen organizado, la superposición penal, personal y relaciones legítimas demostrado que la gente tenía que confiar entre sí durante las situaciones de riesgo y los negocios turbios, incluso cuando la corrupción y la violencia eran herramientas de trabajo. Cuando los grupos de contrabandistas ordinarias, propietarios de burdeles, y los corredores de apuestas organizadas y departamentos de policía infiltrado, tribunales, sindicatos y oficinas políticas a través de la superposición de las relaciones, el crimen organizado desarrollarse e integrarse en la sociedad en general. De hecho, argumentamos que la intersección de las redes criminales, legítimos y personales fue donde tuvo lugar el crimen organizado en Chicago. Llegamos a la conclusión de que a pesar de que no era multiplicidad omnipresente en el crimen organizado, multiplicidad pegado los mundos bajos fondos y superior juntas por encima y más allá de las personalidades de gángsteres famosos como Al Capone y asociaciones generales entre los grupos étnicos. Cuando las redes y las acciones se tambalean en dominios inciertos, no regulados, o de riesgo, confiar en sus vecinos curvados pueden muy bien ser crítico, incluso si confía en sólo unos pocos de ellos.

Nuestros resultados tienen implicaciones para el estudio de la delincuencia organizada y el estudio de las redes sociales de manera más amplia. En relación con el crimen organizado, nuestros resultados ponen de manifiesto la multiplicidad maneras une el bajo mundo y el mundo superior - un proceso que organiza la delincuencia en la sociedad y, en concreto, las redes de prohibición institucionalizadas dentro de la ciudad de Chicago. La rareza de multiplicidad pone de manifiesto la dificultad de localizar los puentes de confianza cuando no se puede confiar en cualquier ladrón, vecino, o un político, incluso cuando multiplicidad trajo los ámbitos de la delincuencia organizada en conjunto.

Este artículo está basado en el trabajo “Trust Thy Crooked Neighbor: Multiplexity in Chicago Organized Crime Networks” en American Sociological Review.

martes, 20 de septiembre de 2016

Mapeo de la red cerebral de una mosca

El primer mapeo 3-D de la red cerebral de una mosca de la fruta
MIT Technology Review

Mapeo de la estructura de la red 3-D del cerebro de una mosca es un gran paso adelante. Pero tuvieron que pasar 1.700 horas-hombre para completar, lo que significa que el trabajo humano será un importante cuello de botella para futuros avances.

Emerging Technology from the arXiv

Un objetivo importante de la neurociencia es comprender la estructura de enlaces entre las neuronas que componen el cerebro: en otras palabras, para construir un preciso mapa en 3-D de la red neuronal del cerebro.

Los investigadores han hecho progresos significativos con diversos tipos de técnicas de imagen de alta resolución. Por ejemplo, unir moléculas fluorescentes en las neuronas puede mostrar su estructura, y las imágenes del microscopio electrónico de secciones del cerebro también puede revelar la estructura a nivel neuronal.

Todas estas técnicas tienen una limitación importante. Las imágenes muestran que producen cambios en la intensidad de la imagen. Pero estas variaciones a continuación deben interpretarse para inferir la posición y forma de las neuronas reales. Este último paso es una tarea difícil cuando las neuronas y las conexiones entre ellas se cuentan por miles y millones.





Lo que se necesita es una mejor manera de crear un diagrama de cableado en 3-D del cerebro, una especie de esqueleto de las conexiones neuronales.

Hoy en día, que se hace posible gracias a la labor de Ryuta Mizutani y amigos de la Universidad de Tokai, en Japón. Estos chicos han reutilizado una técnica para producir modelos de esqueleto similar al de las moléculas y lo utilizó para mapear las neuronas en el cerebro de una mosca de la fruta. El resultado es el primer modelo en 3-D de esta red de neuronas.

El trasfondo de todo esto radica en la bioquímica. Los bioquímicos se enfrentan a un problema similar cuando crean modelos en 3D de moléculas complejas. Comienzan mediante la creación de un cristal de la molécula de interés. Luego zap con rayos X y medir el patrón de difracción de esta forma, una técnica conocida como cristalografía de rayos x.

Pero hay un problema. Los rayos X son difractados por la nube de electrones que rumores en torno a los átomos en la molécula. Así que los datos reflejan los cambios en la densidad de electrones dentro de la molécula. Las posiciones reales de los átomos tienen que inferirse de estos datos. Cuando la estructura es compleja, esto no es una tarea simple.

Los químicos tienen una gran cantidad de experiencia con esto. Desde hace algunos años, se han utilizado un enfoque de modelado por computadora para resolver el problema. Funciona mediante la estimación de la posición de un átomo en el espacio de tres dimensiones, la colocación de un nodo en ese lugar en el modelo, y luego conectarlo por un alambre virtual a la posición estimada de la siguiente átomo, y así sucesivamente. De este modo, el software se acumula un modelo de alambre virtual de la molécula.

Ahora Mizutani ha reutilizados este software para determinar la posición 3-D y la forma de las neuronas. Esto es más complicado debido a que las neuronas no son objetos puntuales como los átomos, sino objetos en forma de líneas que se pueden torcer y curva de manera compleja.

El equipo recoge sus datos utilizando una técnica llamada tomografía de rayos x. Ellos pickle un cerebro de la mosca en un tinte de plata, bombardear con rayos X, y luego medir la forma en que los rayos X son dispersados ​​en varias direcciones. Esto produce un mapa en 3-D intensidad de la imagen de la forma de plata en las neuronas absorber los rayos x.

El siguiente paso es la clave: el uso de los datos para estimar la posición y forma de las neuronas reales. Mizutani y lugar co los datos en un espacio de tres dimensiones de 840 por 1.250 por 1.200 voxels. Utilizan las intensidades de absorción de rayos x para estimar si una neurona está presente en particular voxel. Luego se construyen un modelo de alambre mediante la estimación de la forma en la neurona se extiende hacia cualquiera de los voxels adyacentes.

Por supuesto, el modelo tiene que comprobar que la red resultante es compatible con la que dos neuronas adyacentes no se interpretan como una sola neurona prolongado, por ejemplo. Así que el software comprueba continuamente la naturaleza de la red resultante, en busca de posibles anomalías. Cualquier anomalía que no puede resolver se deja por un operador humano para solucionarlo.

Este modelo tiene una resolución de alrededor de 600 nanómetros, y muestra unas 100.000 neuronas, que el modelo se resuelve en unos 15.000 huellas. Fue un esfuerzo importante para el equipo. "Se necesitaron 1.700 horas-hombre para construir el modelo de esqueleto", dicen.

Pero los resultados son claramente vale la pena. La técnica produce el primer modelo de alambre de 3-D de un hemisferio del cerebro de la mosca en el que la posición y la forma de cada neurona se asignan mediante coordenadas cartesianas en 3-D.

Este modelo muestra una amplia gama de estructuras neuronales conocidas-el modelo de trazado 360 procesos neuronales separadas. Pero también reveló una serie de estructuras desconocidas que son claramente importantes. "Estos resultados sugieren que las neuronas que no se pueden clasificar en grupos estructurales deben desempeñar un papel importante en las funciones del cerebro, aunque sus estructuras casi no han sido investigados," decir Mizutani y co.

Esto apunta a algún trabajo interesante por delante, tal vez con menor longitud de onda de rayos X que producen datos de mayor resolución.

Sin embargo, los datos adicionales no serán fáciles de manejar, dado que el lote actual requiere tanto trabajo. "La reconstrucción de [a mayor resolución] red cerebral parece ser prohibitivamente costoso en términos de carga de trabajo humana," decir Mizutani y co.

El análisis de datos es un importante cuello de botella, y se necesitan desesperadamente mejores técnicas automatizadas de construcción de modelos. Una clara oportunidad para los científicos de la computación con un poco de tiempo en sus manos.

Ref: arxiv.org/abs/1609.02261 : Three-Dimensional Network of Drosophila Brain Hemisphere