Capital social dans les réseaux en ligne

Cette séance de cours explore les motivations derrière l'utilisation de Facebook, telles que le toilettage social et le capital social. Il se penche sur le nombre de Dunbar, le nombre maximum de relations sociales que l'on peut maintenir et les types de capital social. L’impact d’Internet sur le capital social est discuté, ainsi que la relation entre l’intensité d’utilisation de Facebook et le capital social. La séance de cours couvre également les fonctionnalités extraites des journaux d’activité de Facebook et leurs implications sur la liaison et le rapprochement du capital social. Les résultats de régression linéaire révèlent les associations entre l’activité Facebook, le capital social et la solitude. L'importance des liens forts et faibles dans les réseaux en ligne est soulignée, en s'inspirant du livre «Réseaux, foules et marchés».

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (71)

Concepts associés (54)

DH-500: Computational Social Media

The course integrates concepts from media studies, machine learning, multimedia, and network science to characterize social practices and analyze content in platforms like Facebook, Twitter, and YouTu

Bayesian linear regression

Bayesian linear regression is a type of conditional modeling in which the mean of one variable is described by a linear combination of other variables, with the goal of obtaining the posterior probability of the regression coefficients (as well as other parameters describing the distribution of the regressand) and ultimately allowing the out-of-sample prediction of the regressand (often labelled ) conditional on observed values of the regressors (usually ).

Simple linear regression

In statistics, simple linear regression is a linear regression model with a single explanatory variable. That is, it concerns two-dimensional sample points with one independent variable and one dependent variable (conventionally, the x and y coordinates in a Cartesian coordinate system) and finds a linear function (a non-vertical straight line) that, as accurately as possible, predicts the dependent variable values as a function of the independent variable. The adjective simple refers to the fact that the outcome variable is related to a single predictor.

Bayesian multivariate linear regression

In statistics, Bayesian multivariate linear regression is a Bayesian approach to multivariate linear regression, i.e. linear regression where the predicted outcome is a vector of correlated random variables rather than a single scalar random variable. A more general treatment of this approach can be found in the article MMSE estimator. Consider a regression problem where the dependent variable to be predicted is not a single real-valued scalar but an m-length vector of correlated real numbers.

Linear least squares

Linear least squares (LLS) is the least squares approximation of linear functions to data. It is a set of formulations for solving statistical problems involved in linear regression, including variants for ordinary (unweighted), weighted, and generalized (correlated) residuals. Numerical methods for linear least squares include inverting the matrix of the normal equations and orthogonal decomposition methods. The three main linear least squares formulations are: Ordinary least squares (OLS) is the most common estimator.

Internet

vignette|Nombre d'abonnements à Internet par accès fixe rapporté à la population, exprimé en pourcentage, par pays, en 2021. vignette|Visualisation des multiples chemins à travers une portion d'Internet. Internet est un réseau informatique mondial accessible au public. Il s'agit d'un réseau de réseaux, à commutation de paquets, sans centre névralgique, composé de millions de réseaux aussi bien publics que privés, universitaires, commerciaux et gouvernementaux, eux-mêmes regroupés en réseaux autonomes ; il en existe plus de en 2019.

Apprentissage supervisé : Régression linéaire BIO-322: Introduction to machine learning for bioengineers

Couvre l'apprentissage supervisé en mettant l'accent sur la régression linéaire, y compris des sujets comme la classification numérique, la détection des pourriels et la prédiction de la vitesse du vent.

Modèles génériques : auto-attention et transformateurs PHYS-467: Machine learning for physicists

Couvre les modèles générateurs en mettant l'accent sur l'auto-attention et les transformateurs, en discutant des méthodes d'échantillonnage et des moyens empiriques.

Régression : Modèles linéaires MATH-413: Statistics for data science

Explore la régression linéaire, les moindres carrés, les résidus et les intervalles de confiance dans les modèles de régression.

Régression du noyau : Moyenne pondérée et cartes des caractéristiques PHYS-467: Machine learning for physicists

Couvre la régression du noyau et les cartes de caractéristiques pour la séparabilité des données.

Régression linéaire : bases et applications CS-233(a): Introduction to machine learning (BA3)

Couvre les bases de la régression linéaire, de la formation aux applications du monde réel et aux scénarios multi-sorties.