В нашей команде появилась прекрасная традиция - оставлять отзывы на пройденные курсы. См. отзыв Александра Ботвина на курс Вышки от Бориса Демешева Эконометрика в HR-аналитике (обзор курса). Я создал для каждого отзыва тег отзыв об учебном курсе, где можно будет просмотреть все отзывы.
Сегодня я даю отзыв на курс Applied Social Network Analysis in Python Мичиганского университета.
И сразу хочу порекомендовать всю специализацию Мичиганского университета по машинному обучению Applied Data Science with Python: если вы развиваетесь в Python, можно использовать курсы специализации.
Пройденный курс касается темы Social Network Analysis, но в HR сейчас более принято название Organisational Network Analytics. И если Вы знакомы с трендами HR-аналитики (см. например, 10 трендов в HR в 2018 году от Давида Грина), то обратили внимание, что тема Organisational Network Analytics одна из самых обсуждаемых и перспективных тем аналитики.
Кстати, 8 марта на базе компании Facebook в Сан-Франциско пройдет первый митап по hr-аналитике, тема Organisational Network Analytics стала первой темой - а темы выбирали на основе голосования.
Преподаватель - молодой парень Daniel Romero, Assistant Professor - буквально на пальцах показывает понятия курса.
На квизах и лабах будет код в Python. Но не рекомендую только за кодом ходить - мне лекции сильно помогли понять код.
Я на основе этих кодов сразу делал свои кейсы - ИМХО, мне нужно сделать кейс на своих данных, иначе программа курса нафиг не нужна. И вот, что получилось
Причем, меня как раз мало интересует выявление неформальных лидеров или затыков в коммуникациях. На самом деле Social Network Analysis дает кучу новых данных, которые можно использовать в прогнозных моделях эффективности, текучести работников.
__________________________________________________________
На этом все, читайте нас в фейсбуке, телеграмме и вконтакте
Сегодня я даю отзыв на курс Applied Social Network Analysis in Python Мичиганского университета.
И сразу хочу порекомендовать всю специализацию Мичиганского университета по машинному обучению Applied Data Science with Python: если вы развиваетесь в Python, можно использовать курсы специализации.
Пройденный курс касается темы Social Network Analysis, но в HR сейчас более принято название Organisational Network Analytics. И если Вы знакомы с трендами HR-аналитики (см. например, 10 трендов в HR в 2018 году от Давида Грина), то обратили внимание, что тема Organisational Network Analytics одна из самых обсуждаемых и перспективных тем аналитики.
Кстати, 8 марта на базе компании Facebook в Сан-Франциско пройдет первый митап по hr-аналитике, тема Organisational Network Analytics стала первой темой - а темы выбирали на основе голосования.
Вернусь к курсу,
Курс короткий - 4 недели. И каждая неделя не перенасыщенная, поэтому курс очень удобен, поскольку при нашей занятости не получится, что мы забудем, про что начало курса, когда будем его заканчивать. Объяснения очень понятные.Преподаватель - молодой парень Daniel Romero, Assistant Professor - буквально на пальцах показывает понятия курса.
На квизах и лабах будет код в Python. Но не рекомендую только за кодом ходить - мне лекции сильно помогли понять код.
Я на основе этих кодов сразу делал свои кейсы - ИМХО, мне нужно сделать кейс на своих данных, иначе программа курса нафиг не нужна. И вот, что получилось
- Как работает команда: анализ внутригрупповых процессов и ролей участников команды
- Исследование email коммуникаций в компании
Резюме курса:
Я не только получил знания о Social Network Analysis и код в Python, но меня наконец доперло, как это можно применять в HR-аналитике.Причем, меня как раз мало интересует выявление неформальных лидеров или затыков в коммуникациях. На самом деле Social Network Analysis дает кучу новых данных, которые можно использовать в прогнозных моделях эффективности, текучести работников.
Программа
- Why Study Networks and Basics on NetworkX. Module One introduces you to different types of networks in the real world and why we study them. You'll learn about the basic elements of networks, as well as different types of networks. You'll also learn how to represent and manipulate networked data using the NetworkX library. The assignment will give you an opportunity to use NetworkX to analyze a networked dataset of employees in a small company.
- Network Connectivity. In Module Two you'll learn how to analyze the connectivity of a network based on measures of distance, reachability, and redundancy of paths between nodes. In the assignment, you will practice using NetworkX to compute measures of connectivity of a network of email communication among the employees of a mid-size manufacturing company.
- Influence Measures and Network Centralization. In Module Three, you'll explore ways of measuring the importance or centrality of a node in a network, using measures such as Degree, Closeness, and Betweenness centrality, Page Rank, and Hubs and Authorities. You'll learn about the assumptions each measure makes, the algorithms we can use to compute them, and the different functions available on NetworkX to measure centrality. In the assignment, you'll practice choosing the most appropriate centrality measure on a real-world setting.
- Network Evolution. In Module Four, you'll explore the evolution of networks over time, including the different models that generate networks with realistic features, such as the Preferential Attachment Model and Small World Networks. You will also explore the link prediction problem, where you will learn useful features that can predict whether a pair of disconnected nodes will be connected in the future. In the assignment, you will be challenged to identify which model generated a given network. Additionally, you will have the opportunity to combine different concepts of the course by predicting the salary, position, and future connections of the employees of a company using their logs of email exchanges.
__________________________________________________________
На этом все, читайте нас в фейсбуке, телеграмме и вконтакте
Комментариев нет:
Отправить комментарий