Estudiar teoría y metodología para conceptualizar, almacenar, manipular, caracterizar, visualizar, modelar y realizar cálculos con redes, de manera eficiente (a menudo cantidades masivas de datos).
Usar herramientas computacionales (e.g., R) para hacer análisis estadístico de redes (datos relacionales).
Los datos relacionales están constituidos por una colección de objetos, sus atributos, y un conjunto de relaciones observadas entre ellos.
La presencia de variables diádicas o estructurales, medidas sobre pares de indiviuos (díadas), es la característica distintiva de los datos relacionales.
Una relación no dirigida (simétrica) tiene uno y solo un valor por díada. Por otro lado, una relación dirigida (asimétrica) tiene dos valores por díada, un valor que representa la perspectiva de cada miembro de la pareja.
Se dice que una red es una red no dirigida si todas las relaciones en ella no están dirigidas, y se denomina red dirigida o dígrafo en caso contrario.
Ejemplos de relaciones no dirigidas:
Ejemplos de relaciones dirididas:
Una relación binaria (dicotómica) únicamente asume dos valores, a saber, ausencia o presencia de la relación. Mientras que una relación ponderada (númerica) toma más de dos valores para caracterizar las relaciones entre las díadas.
Ejemplos de relaciones binarias:
Ejemplos de relaciones ponderadas:
Las redes Bayesianas son una clase de modelos gráficos que permiten una representación de las dependencias probabilísticas entre un conjunto dado de variables aleatorias por medio de un gráfico acíclico dirigido (DAG), donde cada nodo corresponde a una variable aleatoria.
Ver por ejemplo, Scutari, M., & Denis, J. B. (2021). Bayesian networks: with examples in R. CRC press.
Una red neuronal es un modelo computacional con varias capas de nodos conectados, cuyo comportamiento está determnado por la forma en que se conectan los nodos así como por la ponderación de las conexiones. Usualmente se utilizan para tareas de identificación complejas, como el reconocimiento facial, la traducción de textos, y el reconocimiento de voz.
Ver por ejemplo, Ghatak, A. (2019). Deep learning with R. Springer.