Submit Search
Upload
Gephi Quick Start (Japanese)
•
22 likes
•
42,673 views
あしたのオープンソース研究所
Follow
http://www.slideshare.net/gephi/gephi-quick-start の日本語訳です。
Read less
Read more
Technology
Report
Share
Report
Share
1 of 32
Download now
Download to read offline
Recommended
Gephi Tutorial Visualization (Japanese)
Gephi Tutorial Visualization (Japanese)
あしたのオープンソース研究所
大規模ネットワーク分析 篠田
大規模ネットワーク分析 篠田
Kosuke Shinoda
論文の共著関係ネットワークの中心性分析 Terano Lab.
論文の共著関係ネットワークの中心性分析 Terano Lab.
Analytics2014
単純ベイズ法による異常検知 #ml-professional
単純ベイズ法による異常検知 #ml-professional
Ai Makabi
距離とクラスタリング
距離とクラスタリング
大貴 末廣
Tensor コアを使った PyTorch の高速化
Tensor コアを使った PyTorch の高速化
Yusuke Fujimoto
[DL輪読会]Deep Learning 第5章 機械学習の基礎
[DL輪読会]Deep Learning 第5章 機械学習の基礎
Deep Learning JP
[DL輪読会]医用画像解析におけるセグメンテーション
[DL輪読会]医用画像解析におけるセグメンテーション
Deep Learning JP
Recommended
Gephi Tutorial Visualization (Japanese)
Gephi Tutorial Visualization (Japanese)
あしたのオープンソース研究所
大規模ネットワーク分析 篠田
大規模ネットワーク分析 篠田
Kosuke Shinoda
論文の共著関係ネットワークの中心性分析 Terano Lab.
論文の共著関係ネットワークの中心性分析 Terano Lab.
Analytics2014
単純ベイズ法による異常検知 #ml-professional
単純ベイズ法による異常検知 #ml-professional
Ai Makabi
距離とクラスタリング
距離とクラスタリング
大貴 末廣
Tensor コアを使った PyTorch の高速化
Tensor コアを使った PyTorch の高速化
Yusuke Fujimoto
[DL輪読会]Deep Learning 第5章 機械学習の基礎
[DL輪読会]Deep Learning 第5章 機械学習の基礎
Deep Learning JP
[DL輪読会]医用画像解析におけるセグメンテーション
[DL輪読会]医用画像解析におけるセグメンテーション
Deep Learning JP
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
nishio
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
Ken'ichi Matsui
[DL Hacks]Visdomを使ったデータ可視化
[DL Hacks]Visdomを使ったデータ可視化
Deep Learning JP
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
画像処理基礎
画像処理基礎
大貴 末廣
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
Deep Learning JP
【DL輪読会】大量API・ツールの扱いに特化したLLM
【DL輪読会】大量API・ツールの扱いに特化したLLM
Deep Learning JP
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
Seiichi Uchida
ResNetの仕組み
ResNetの仕組み
Kota Nagasato
[DL輪読会]V-MPO: On-Policy Maximum a Posteriori Policy Optimization for Discrete...
[DL輪読会]V-MPO: On-Policy Maximum a Posteriori Policy Optimization for Discrete...
Deep Learning JP
NIPS2017読み会 LightGBM: A Highly Efficient Gradient Boosting Decision Tree
NIPS2017読み会 LightGBM: A Highly Efficient Gradient Boosting Decision Tree
Takami Sato
最近のRのランダムフォレストパッケージ -ranger/Rborist-
最近のRのランダムフォレストパッケージ -ranger/Rborist-
Shintaro Fukushima
モデルアーキテクチャ観点からの高速化2019
モデルアーキテクチャ観点からの高速化2019
Yusuke Uchida
マハラノビス距離とユークリッド距離の違い
マハラノビス距離とユークリッド距離の違い
wada, kazumi
Bayesian Neural Networks : Survey
Bayesian Neural Networks : Survey
tmtm otm
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Hideo Terada
マルチモーダル深層学習の研究動向
マルチモーダル深層学習の研究動向
Koichiro Mori
Apache Hive 紹介
Apache Hive 紹介
あしたのオープンソース研究所
Datomic&datalog紹介
Datomic&datalog紹介
あしたのオープンソース研究所
More Related Content
What's hot
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
nishio
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
Ken'ichi Matsui
[DL Hacks]Visdomを使ったデータ可視化
[DL Hacks]Visdomを使ったデータ可視化
Deep Learning JP
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
画像処理基礎
画像処理基礎
大貴 末廣
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
Deep Learning JP
【DL輪読会】大量API・ツールの扱いに特化したLLM
【DL輪読会】大量API・ツールの扱いに特化したLLM
Deep Learning JP
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
Seiichi Uchida
ResNetの仕組み
ResNetの仕組み
Kota Nagasato
[DL輪読会]V-MPO: On-Policy Maximum a Posteriori Policy Optimization for Discrete...
[DL輪読会]V-MPO: On-Policy Maximum a Posteriori Policy Optimization for Discrete...
Deep Learning JP
NIPS2017読み会 LightGBM: A Highly Efficient Gradient Boosting Decision Tree
NIPS2017読み会 LightGBM: A Highly Efficient Gradient Boosting Decision Tree
Takami Sato
最近のRのランダムフォレストパッケージ -ranger/Rborist-
最近のRのランダムフォレストパッケージ -ranger/Rborist-
Shintaro Fukushima
モデルアーキテクチャ観点からの高速化2019
モデルアーキテクチャ観点からの高速化2019
Yusuke Uchida
マハラノビス距離とユークリッド距離の違い
マハラノビス距離とユークリッド距離の違い
wada, kazumi
Bayesian Neural Networks : Survey
Bayesian Neural Networks : Survey
tmtm otm
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Hideo Terada
マルチモーダル深層学習の研究動向
マルチモーダル深層学習の研究動向
Koichiro Mori
What's hot
(20)
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
[DL Hacks]Visdomを使ったデータ可視化
[DL Hacks]Visdomを使ったデータ可視化
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
画像処理基礎
画像処理基礎
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
【DL輪読会】大量API・ツールの扱いに特化したLLM
【DL輪読会】大量API・ツールの扱いに特化したLLM
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
ResNetの仕組み
ResNetの仕組み
[DL輪読会]V-MPO: On-Policy Maximum a Posteriori Policy Optimization for Discrete...
[DL輪読会]V-MPO: On-Policy Maximum a Posteriori Policy Optimization for Discrete...
NIPS2017読み会 LightGBM: A Highly Efficient Gradient Boosting Decision Tree
NIPS2017読み会 LightGBM: A Highly Efficient Gradient Boosting Decision Tree
最近のRのランダムフォレストパッケージ -ranger/Rborist-
最近のRのランダムフォレストパッケージ -ranger/Rborist-
モデルアーキテクチャ観点からの高速化2019
モデルアーキテクチャ観点からの高速化2019
マハラノビス距離とユークリッド距離の違い
マハラノビス距離とユークリッド距離の違い
Bayesian Neural Networks : Survey
Bayesian Neural Networks : Survey
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
マルチモーダル深層学習の研究動向
マルチモーダル深層学習の研究動向
More from あしたのオープンソース研究所
Apache Hive 紹介
Apache Hive 紹介
あしたのオープンソース研究所
Datomic&datalog紹介
Datomic&datalog紹介
あしたのオープンソース研究所
Red5
Red5
あしたのオープンソース研究所
Friendica_28th_AshitanoKen
Friendica_28th_AshitanoKen
あしたのオープンソース研究所
Apache UIMA
Apache UIMA
あしたのオープンソース研究所
Flume
Flume
あしたのオープンソース研究所
Cassandra v0.6-siryou
Cassandra v0.6-siryou
あしたのオープンソース研究所
MongoDB
MongoDB
あしたのオープンソース研究所
Rails.20110405
Rails.20110405
あしたのオープンソース研究所
S4
S4
あしたのオープンソース研究所
machine learning & apache mahout
machine learning & apache mahout
あしたのオープンソース研究所
20100831.あしたの研第14回座談会moses.スライド
20100831.あしたの研第14回座談会moses.スライド
あしたのオープンソース研究所
Cassandra 分散データベース
Cassandra 分散データベース
あしたのオープンソース研究所
More from あしたのオープンソース研究所
(13)
Apache Hive 紹介
Apache Hive 紹介
Datomic&datalog紹介
Datomic&datalog紹介
Red5
Red5
Friendica_28th_AshitanoKen
Friendica_28th_AshitanoKen
Apache UIMA
Apache UIMA
Flume
Flume
Cassandra v0.6-siryou
Cassandra v0.6-siryou
MongoDB
MongoDB
Rails.20110405
Rails.20110405
S4
S4
machine learning & apache mahout
machine learning & apache mahout
20100831.あしたの研第14回座談会moses.スライド
20100831.あしたの研第14回座談会moses.スライド
Cassandra 分散データベース
Cassandra 分散データベース
Recently uploaded
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Hiroshi Tomioka
Recently uploaded
(11)
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Gephi Quick Start (Japanese)
1.
チュートリアル
クイックスタート * はじめに Gephi チュートリアル * ファイルのインポート * 可視化 クイックスタート * レイアウト * ランキング (色) * メトリクス 入門チュートリアルへようこそ!このチュートリアルでは、Gephi におけるネットワークの可視化と * ランキング (サイズ) 操作の基本的な手順について説明しています。 * もう一度レイアウト * ラベルの表示 このチュートリアルの作成には Gephi version 0.7alpha2 を使用しました。 * コミュニティ検出 * パーティション Gephi をダウンロードする * フィルタ * プレビュー * エクスポート * 保存 * まとめ 最終更新: 2010 年 3 月 5 日
2.
チュートリアル
クイックスタート グラフファイルを開く * はじめに • ファイルをダウンロードします。 LesMiserables.gexf * ファイルのインポート * 可視化 • [File] メニューの [Open] をクリックします。 * レイアウト * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ グラフの形式 - GEXF - Tulip TLP - GraphML - CSV - Pajek NET - Compressed ZIP - GDF - GML
3.
チュートリアル
クイックスタート インポートレポート * はじめに • ファイルを開くと、見つかったデータと問題がレポートに表示されます。 * ファイルのインポート - ノード数 * 可視化 - エッジ数 * レイアウト - グラフのタイプ * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ • 表示された内容でよければ [OK] をクリックし、グラフを表示します。
4.
チュートリアル
クイックスタート グラフが表示されるはずです。 * はじめに インポートしたのは “Les Miserables” データセット1 です。Victor Hugo の * ファイルのインポート 『レ・ミゼラブル(ああ無情)』の登場人物を重み付けして表示しています。 * 可視化 * レイアウト * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート ノードの位置は最初はランダムなので、表示のされ方は図とは少し異なるかもしれません。 * 保存 * まとめ 1 D. E. Knuth, The Stanford GraphBase: A Platform for Combinatorial Computing, Addison-Wesley, Reading, MA (1993).
5.
チュートリアル
クイックスタート グラフの可視化 * はじめに • グラフを移動したり、縮小・拡大したりするにはマウスを使います。 * ファイルのインポート - ズーム: マウスホイール * 可視化 - パン: 右ボタンでドラッグ * レイアウト ズーム * ランキング (色) • ウィンドウ下部に [Edge Thickness] スライダがあります。 * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 ドラッグ * パーティション • グラフが見えなくなったら、位置をリセットしてください。 * フィルタ * プレビュー * エクスポート * 保存 * まとめ
6.
チュートリアル
クイックスタート グラフのレイアウト * はじめに レイアウトアルゴリズムはグラフの形状を設定するもので、最も重要な操作です。 * ファイルのインポート * 可視化 • 左パネルに [Layout] モジュールがあります。 * レイアウト * ランキング (色) • [Force Atlas] を選択します。 * メトリクス * ランキング (サイズ) 下にレイアウトのプロパティが表示されますが、デフォルト値の ままにしておきます。 * もう一度レイアウト * ラベルの表示 * コミュニティ検出 • をクリックしてアルゴリズムを実行します。 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ レイアウトアルゴリズム グラフは一般に「力指向」アルゴリズム ("Force-based" algorithms) でレイアウトされます。 このアルゴリズムの原則は単純で、つながりのあるノード同士は互いに引き合い、 つながりのないノード同士は互いに斥け合うというものです。
7.
チュートリアル
クイックスタート レイアウトのコントロール * はじめに レイアウトのプロパティが用意されているのは、選択したアルゴリズムをコントロールして * ファイルのインポート 美的に優れた表現が得られるようにするためです。 * 可視化 * レイアウト • [Repulsion strengh] を 10 000 に設定して * ランキング (色) グラフを拡大します。 * メトリクス * ランキング (サイズ) • [Enter] キーを押して変更した値を確定します。 * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー • では、 をクリックしてアルゴリズムを停止してください。 * エクスポート * 保存 * まとめ
8.
チュートリアル
クイックスタート 次のようなレイアウトのグラフが表示されるはずです。 * はじめに * ファイルのインポート * 可視化 * レイアウト * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ
9.
チュートリアル
クイックスタート ランキング (色) * はじめに [Ranking] モジュールでは、ノードの色とサイズを設定できます。 * ファイルのインポート * 可視化 • ウィンドウの左上部に [Ranking] モジュールがあります。 * レイアウト * ランキング (色) • ランクパラメータとして [Degree] を選択します。 * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 次のような設定パネルが表示されます。 * コミュニティ検出 * パーティション * フィルタ • をクリックして結果を表示します。 * プレビュー * エクスポート * 保存 * まとめ
10.
チュートリアル
クイックスタート 色の設定 * はじめに * ファイルのインポート • グラデーションコンポーネントをマウスでポイントします。 * 可視化 * レイアウト * ランキング (色) * メトリクス • 三角の上でダブルクリックして色を設定します。 * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ パレット パレットを使用するにはパネルを右クリックします。
11.
チュートリアル
クイックスタート ランキングの結果テーブル * はじめに 結果テーブルを有効にするとランクの値を表示できます。Valjean には 36 のリンクがあり、 * ファイルのインポート ネットワークの中で最も接続の多い登場人物です。 * 可視化 * レイアウト • ツールバー下部にある結果テーブルを表示するための * ランキング (色) コントロールをオンにします。 * メトリクス * ランキング (サイズ) • もう一度 をクリックします。 * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ
12.
チュートリアル
クイックスタート メトリクス * はじめに ここでは、ネットワークの平均パス長 (average path length) を計算します。考えられるすべての * ファイルのインポート ノードのペアのパス長を計算し、ノード間の距離に関する情報を取得します。 * 可視化 * レイアウト * ランキング (色) • 右パネルに [Statistics] モジュールがあります。 * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 • [Average Path Length] の横にある をクリックします。 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ 利用可能なメトリクス - Diameter (直径) - Betweeness Centrality (媒介中心性) - Average Path Length (平均パス長) - Closeness Centrality (近接中心性) - Clustering Coefficient (クラスタリング係数) - Eccentricity (離心性) - PageRank (ページランク) - Community Detection (コミュニティ検出) - HITS (Hyperlink-Induced Topic Search) (モジュラリティ)
13.
チュートリアル
クイックスタート メトリクスの設定 * はじめに 設定パネルが表示されます。 * ファイルのインポート * 可視化 * レイアウト * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ • [Directed] をクリックし、[OK] をクリックしてメトリクスを計算します。
14.
チュートリアル
クイックスタート メトリクスの結果 * はじめに 計算が終わると、 * ファイルのインポート 目的のメトリクスが * 可視化 レポートに 表示されます。 * レイアウト * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ
15.
チュートリアル
クイックスタート ランキング (サイズ) * はじめに メトリクスは、全体に関するレポートを生成するだけでなく、各ノードの結果も示します。 * ファイルのインポート 直前に実行した "Average Path Length" アルゴリズムによって次の 3 つの新しい値が 作成されたのもそのためです。 * 可視化 - Betweeness Centrality (媒介中心性) * レイアウト - Closeness Centrality (近接中心性) * ランキング (色) - Eccentricity (離心性) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 • [Ranking] モジュールに戻ります。 * コミュニティ検出 * パーティション • リストから [Betweeness Centrality] を選択します。 * フィルタ このメトリクスは、値の高さでノードの影響力を * プレビュー 示します。 * エクスポート * 保存 * まとめ
16.
チュートリアル
クイックスタート ランキング (サイズ) * はじめに ここではノードのサイズを設定します。色は [Degree] インジケータで設定した色のままです。 * ファイルのインポート * 可視化 • ツールバーにあるサイズ用のダイヤモンドアイコンを * レイアウト クリックします。 * ランキング (色) • [min size] を 10 に、[Max size] を 50 に設定します。 * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー • をクリックして結果を表示します。 * エクスポート * 保存 * まとめ
17.
チュートリアル
クイックスタート 次のような色とサイズのグラフが表示されるはずです。 * はじめに * ファイルのインポート * 可視化 * レイアウト * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ 色: [Degree] サイズ: [Betweeness Centrality] メトリクス
18.
チュートリアル
クイックスタート もう一度レイアウト * はじめに 現在のレイアウトは必ずしも最適なものとはいえません。大きなノードが小さなノードを 覆い隠しているからです。 * ファイルのインポート * 可視化 [Force Atlas] アルゴリズムには、レイアウト時にノードのサイズを考慮するオプションがあります。 * レイアウト * ランキング (色) * メトリクス • [Layout] パネルに戻ります。 * ランキング (サイズ) * もう一度レイアウト • [Adjust by Sizes] オプションをオンにし、 * ラベルの表示 しばらくアルゴリズムを実行します。 * コミュニティ検出 * パーティション • 以前とは異なり、ノードはオーバーラップせずに * フィルタ 表示されます。 * プレビュー * エクスポート * 保存 * まとめ
19.
チュートリアル
クイックスタート ラベルの表示 * はじめに 色とサイズで中心となるノードを表示していますが、ネットワークをもっと詳しく * ファイルのインポート 見てみましょう。 * 可視化 * レイアウト • ノードのラベルを表示します。 * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 • ノードのサイズに比例するように * コミュニティ検出 ラベルのサイズを設定します。 * パーティション * フィルタ * プレビュー * エクスポート * 保存 • ラベルのサイズをスケールスライダで 設定します。 * まとめ
20.
チュートリアル
クイックスタート コミュニティ検出 * はじめに コミュニティを検出して調査する機能は、ネットワーク分析では不可欠です。ここでは、 * ファイルのインポート 例に含まれているクラスタに色を付けてみましょう。 * 可視化 * レイアウト Gephi は Louvain メソッド1を実装しており、 [Statistics] パネルから利用できます。 * ランキング (色) [Modularity] の横にある をクリックします。 * メトリクス * ランキング (サイズ) * もう一度レイアウト • [Randomize] をオンにします。 * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ • [OK] をクリックして検出を開始します。 * プレビュー * エクスポート * 保存 * まとめ 1 Blondel V, Guillaume J, Lambiotte R, Mech E (2008) Fast unfolding of communities in large net- works. J Stat Mech: Theory Exp 2008:P10008. (http://findcommunities.googlepages.com)
21.
チュートリアル
クイックスタート パーティション * はじめに コミュニティ検出アルゴリズムによって、各ノードの "Modularity Class" の値が作成されました。 * ファイルのインポート * 可視化 パーティションモジュールでは、この新しいデータを使ってコミュニティに色を付けることができます。 * レイアウト * ランキング (色) • 左パネルに [Partition] モジュールがあります。 * メトリクス • すぐに [Refresh] ボタンをクリックして * ランキング (サイズ) パーティションリストを取得します。 * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ ノードとエッジの列を見るには ノードとエッジの列とその値は、[Data Table] ビューで参照できます。 [Data Laboratory] タブをクリックし、[Nodes] をクリックすると、テーブルが更新されます。
22.
チュートリアル
クイックスタート パーティション * はじめに • パーティションリストで [Modularity Class] を選択します。 * ファイルのインポート * 可視化 9 つのコミュニティが見つかったと表示されます * レイアウト (環境によって値は異なります)。各コミュニティを識別する 色はランダムに設定されます。 * ランキング (色) * メトリクス * ランキング (サイズ) • をクリックしてノードに色を付けます。 * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート パネルを右クリックして [Randomize colors] をクリックすると、 色を変更できます。 * 保存 * まとめ
23.
チュートリアル
クイックスタート ネットワークはおよそ次のように表示されているはずです。 * はじめに * ファイルのインポート * 可視化 * レイアウト * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ
24.
チュートリアル
クイックスタート フィルタ 最後の操作として、フィルタリングを取り上げましょう。フィルタを作成すると、ネットワーク上の * はじめに 一部のノードとエッジを隠すことができます。ここでは、リーフ、すなわち、エッジが 1 つだけの * ファイルのインポート ノードを除外するフィルタを作成します。 * 可視化 * レイアウト • 右パネルに [Filters] モジュールがあります。 * ランキング (色) * メトリクス • [Topology] カテゴリの [Degree Range] を選択します。 * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション • [Degree Range] を [Queries] にドラッグし、 * フィルタ [Drag filter here] にドロップします。 * プレビュー * エクスポート * 保存 * まとめ ドラッグ
25.
チュートリアル
クイックスタート フィルタ * はじめに • [Degree Range] をクリックしてフィルタをアクティベートします。 * ファイルのインポート パラメータパネルが表示されます。 * 可視化 * レイアウト * ランキング (色) * メトリクス パネルには、レンジスライダと、データ (ここでは次数分布) を表す図が表示されます。 * ランキング (サイズ) * もう一度レイアウト • スライダを移動して、下限を 2 にします。 * ラベルの表示 * コミュニティ検出 * パーティション • ボタンをクリックしてフィルタリングを有効にします。 * フィルタ * プレビュー * エクスポート 次数が 2 未満のノードが表示されなくなります。 * 保存 * まとめ ヒント 値の数字の上をダブルクリックすると、範囲を手動で編集できます。
26.
チュートリアル
クイックスタート フィルタリングされたネットワーク * はじめに * ファイルのインポート * 可視化 * レイアウト * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ これで操作については終わりです。次はレンダリングをプレビューし、エクスポートの準備をします。
27.
チュートリアル
クイックスタート プレビュー * はじめに • 作成したグラフを SVG または PDF ファイルとしてエクスポートする前に、 * ファイルのインポート 以下の目的でプレビューを行います。 * 可視化 - グラフがどのように表示されるかを正確に把握する。 * レイアウト - 最後の微調整を行う。 * ランキング (色) • バナーの [Preview] タブを選択します。 * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 • [Refresh] をクリックしてプレビューを表示します。 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ ヒント グラフが大きい場合は、[Preview ratio] スライダで 50% または 25% に値を下げるとグラフを小さく 表示できます。
28.
チュートリアル
クイックスタート プレビュー * はじめに • [Node] のプロパティの中から [Show Labels] * ファイルのインポート オプションを探してオンにします。 * 可視化 * レイアウト • をクリックします。 * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト プレビューの設定ではプリセットを使用できます。 * ラベルの表示 プリセットリストを使ってさまざまな設定を * コミュニティ検出 試してみてください。 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ
29.
チュートリアル
クイックスタート プレビュー中のグラフ * はじめに * ファイルのインポート * 可視化 * レイアウト * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ
30.
チュートリアル
クイックスタート SVG としてエクスポート * はじめに [Preview] で、[Export] の横にある [SVG] を * ファイルのインポート クリックします。 * 可視化 * レイアウト * ランキング (色) * メトリクス SVG ファイルは、PDF 同様、ベクターグラフィックです。画像はさまざまなサイズにスムーズに * ランキング (サイズ) 縮小・拡大することができ、高解像度での印刷やほかのデータへの組み込みが可能です。 * もう一度レイアウト * ラベルの表示 SVG ファイルの変更や操作には、Inkscape や Adobe Illustrator を使ってください。 * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ 高解像度のスクリーンショット 必要なものが高解像度の PNG スクリーンショットだけの場合は、可視化タブの下部の可視化プロパティバー にある アイコンを使ってください。
31.
チュートリアル
クイックスタート プロジェクトの保存 * はじめに プロジェクトを保存すると、すべてのデータと結果が単一の * ファイルのインポート セッションファイルにカプセル化されます。 * 可視化 * レイアウト * ランキング (色) * メトリクス * ランキング (サイズ) いくつか手順をやり忘れたときは、次のところからセッションを * もう一度レイアウト ダウンロードできます。 * ラベルの表示 LesMiserables.gephi * コミュニティ検出 * パーティション * フィルタ * プレビュー * エクスポート * 保存 * まとめ
32.
チュートリアル
クイックスタート まとめ * はじめに このチュートリアルでは、Gephi の基本操作、すなわちネットワークファイルのオープン、 * ファイルのインポート 可視化、操作、レンダリングの方法について学びました。 * 可視化 * レイアウト * ランキング (色) * メトリクス * ランキング (サイズ) * もう一度レイアウト * ラベルの表示 * コミュニティ検出 * パーティション * フィルタ * プレビュー このあとは、次のものを参照してください。 * エクスポート • Gephi Web サイト • Gephi Wiki * 保存 • Gephi フォーラム * まとめ
Download now