<?xml version="1.0" encoding="UTF-8"?>

<rss version="2.0" xmlns:dc="http://purl.org/dc/elements/1.1/" >

  <channel>
    <title><![CDATA[Статьи]]></title>
    <link>https://habr.com/ru/users/crocodeinc/publications/articles/</link>
    <description><![CDATA[Хабр: статьи пользователя crocodeinc]]></description>
    <language>ru</language>
    <managingEditor>editor@habr.com</managingEditor>
    <generator>habr.com</generator>
    <pubDate>Sat, 25 Apr 2026 15:29:34 GMT</pubDate>
    
    
      <image>
        <link>https://habr.com/ru/</link>
        <url>https://habrastorage.org/webt/ym/el/wk/ymelwk3zy1gawz4nkejl_-ammtc.png</url>
        <title>Хабр</title>
      </image>
    

    
      
        
    
    <item>
      <title><![CDATA[COVID-19: прогнозируем число больных коронавирусом]]></title>
      <guid isPermaLink="true">https://habr.com/ru/articles/493034/</guid>
      <link>https://habr.com/ru/articles/493034/?utm_campaign=493034&amp;utm_source=habrahabr&amp;utm_medium=rss</link>
      <description><![CDATA[Коронавирус окончательно захватил весь мир — и выражается это не в том, что им успел переболеть каждый житель планеты. На данный момент эта тема является главной и единственной — как в мировых, так и в российских новостях. В этой статье мы постараемся максимально абстрагироваться от политики и рассуждений о том, запустили ли вирус китайские военные, или же Дональд Трамп. Вместо этого мы посмотрим на проблему с математической точки зрения — а именно, выясним, как можно описать эпидемию одним уравнением, а в конце статьи предскажем итоговое число зараженных COVID-19 — в том числе в России. <br>
<br>
<img src="https://habrastorage.org/webt/zp/tn/rx/zptnrxwr5vstcyabokv_tyudffw.jpeg"><br> <a href="https://habr.com/ru/articles/493034/?utm_campaign=493034&amp;utm_source=habrahabr&amp;utm_medium=rss#habracut">Читать дальше &rarr;</a>]]></description>
      
      <pubDate>Sat, 21 Mar 2020 11:55:40 GMT</pubDate>
      <dc:creator><![CDATA[CrocodeInc]]></dc:creator>
      <category><![CDATA[Биотехнологии]]></category><category><![CDATA[Визуализация данных]]></category><category><![CDATA[Научно-популярное]]></category><category><![CDATA[Открытые данные]]></category>
      <category><![CDATA[covid-19]]></category><category><![CDATA[coronavirus]]></category><category><![CDATA[коронавирус]]></category><category><![CDATA[эпидемия]]></category><category><![CDATA[пандемия]]></category><category><![CDATA[social network analysis]]></category>
    </item>
  

  

  

	
  

  

  

    
    <item>
      <title><![CDATA[Предсказание связей в социальных сетях: используем точки перехода]]></title>
      <guid isPermaLink="true">https://habr.com/ru/articles/341718/</guid>
      <link>https://habr.com/ru/articles/341718/?utm_campaign=341718&amp;utm_source=habrahabr&amp;utm_medium=rss</link>
      <description><![CDATA[Актуальные исследования в области предсказательного сетевого моделирования используют различные метрики, являющиеся индикаторами образования связей между агентами — однако игнорируют распределение процесса появления новых связей в сети. <br>
В данной статье я расскажу о том, как применить точки перехода (<b>change points</b>) для решения <a href="https://www.cs.cornell.edu/home/kleinber/link-pred.pdf">Link Prediction Problem</a>, на примере <a href="https://www.flickr.com/">сети Flickr</a>.<br>
<br>
<img src="https://habrastorage.org/webt/oe/rf/nx/oerfnxuknpecpqaiamirldar8bs.jpeg"><br> <a href="https://habr.com/ru/articles/341718/?utm_campaign=341718&amp;utm_source=habrahabr&amp;utm_medium=rss#habracut">Читать дальше →</a>]]></description>
      
      <pubDate>Sun, 05 Nov 2017 12:04:22 GMT</pubDate>
      <dc:creator><![CDATA[CrocodeInc]]></dc:creator>
      <category><![CDATA[Python]]></category><category><![CDATA[Машинное обучение]]></category>
      <category><![CDATA[change point]]></category><category><![CDATA[link prediction problem]]></category><category><![CDATA[social network analysis]]></category><category><![CDATA[machine learning]]></category>
    </item>
  

  

  

	
  

  

  

    
    <item>
      <title><![CDATA[Инфекционное распространение рекламы в социальных сетях]]></title>
      <guid isPermaLink="true">https://habr.com/ru/articles/306318/</guid>
      <link>https://habr.com/ru/articles/306318/?utm_campaign=306318&amp;utm_source=habrahabr&amp;utm_medium=rss</link>
      <description><![CDATA[Очевидно, что факт развития социальных сетей нивелирует расстояние между агентами, а также увеличивает вероятность случайного возникновения связи между двумя агентами – таким образом, заразить агентов информацией все проще и проще. А значит, актуальным становится вопрос способности предсказать, как именно распространится инфекция. <br/>
<br/>
И хотя изначально потребность предсказания распространения инфекций в сетях возникла в биологии, данная проблема присутствует в том числе и в экономике. Ведь если, скажем, компания хочет распространить какую-то новинку через социальную сеть (данный способ диффузии информации является одним из самых популярных с момента начала активного развития социальных сетей), то ей нужно понимать, как будет идти инфекция по сети со временем, чтобы правильно выбрать амбассадоров для минимальных затрат на распространение информации о товаре. Таким образом, сетевое предсказательное моделирование оказывается востребованным и применительно к сетям экономических агентов.<br/>
<br/>
Далее я покажу практическое применение моделей распространение инфекции на примере сети <a href="http://flickr.com/">Flickr</a>. Для этого будут реализованы две самые популярные и применимые на практике модели – SI (suspectible – infected) и SIR (suspectible – infected – recovered) [1], [5].<br/>
 <a href="https://habr.com/ru/articles/306318/?utm_campaign=306318&amp;utm_source=habrahabr&amp;utm_medium=rss#habracut">Читать дальше &rarr;</a>]]></description>
      
      <pubDate>Mon, 25 Jul 2016 06:21:07 GMT</pubDate>
      <dc:creator><![CDATA[CrocodeInc]]></dc:creator>
      <category><![CDATA[Исследования и прогнозы в IT]]></category>
      <category><![CDATA[реклама]]></category><category><![CDATA[социальная сеть]]></category><category><![CDATA[модели заражения]]></category><category><![CDATA[перколяция]]></category>
    </item>
  

  

  

	
  

  

  

      

      

      

    
  </channel>
</rss>
