Mímisbrunnr知恵の泉

network science // 関係のデータを読み解く

ネットワーク科学

ネットワーク科学は、ひとことで言えば「関係そのもの」をデータとして扱う数理です。人・論文・サーバ・神経細胞 — ノードとエッジのつながりから、誰が重要か（中心性）・どこに集団があるか（コミュニティ）・どう広がるか（拡散）を読み解きます。あらゆる複雑系に共通する言語です。

なぜ学ぶのか

  • つながりから重要度が分かる。中心性で「誰がハブか・誰が情報の通り道か」を定量化できます。
  • 集団構造と広がりを掴める。コミュニティ検出で隠れた集団を、拡散モデルで流行・口コミの伝わり方を捉えます。
  • 基準と比べられる。ER・スモールワールド・スケールフリーが比較の基準を与え、実ネットワークの特異さが見えます。

こんな場面で役立つ

  • ソーシャル影響力のある人・コミュニティ・情報拡散を分析。
  • インフラ交通・電力網のロバスト性と障害の波及を評価。
  • 推薦二部グラフ・協調フィルタリングの構造を読む。
  • 生命・引用相互作用・引用ネットワークの構造を解析。

ここでは、ER・BA などのモデルや実ネットワークを自分で生成し、中心性・モジュラリティ・相転移などが理論通りに現れるかを必ず数値で確かめる方針です。グラフの基礎から、中心性・コミュニティ検出・ランダムグラフモデル・拡散ダイナミクス・ロバスト性・スペクトルまでを、コピペで動く Python（networkx）つきで全43ノートに体系化しました。各トピックのレベル（基礎／標準／発展）はバッジ表示。最大流・最短路などのフロー最適化は数理最適化サイト、GNN・クラスタリングは機械学習サイトへ相互リンクしています。

カリキュラム（全8章）

目次・インデックス

第1章 ── グラフの基礎

第2章 ── ネットワーク指標

第3章 ── コミュニティ構造

第4章 ── ランダムグラフモデル

第5章 ── ネットワーク上のダイナミクス

第6章 ── ロバスト性とスペクトル

第7章 ── 時間・多層・二部ネットワーク

第8章 ── 応用と実データ解析