Perfilado de sección

◄Trabajos finales

    • Listamos a continuación algunos recursos que pueden ser de utilidad:

    • Bibliotecas y software

    • NetworkX URL

      Uno de los paquetes de análisis de grafos más populares para Python. Muy fácil de usar y se integra con otras bibliotecas.

    • SNAP: Stanford Network Analysis Project URL

      El equipo dirigido por Jure Leskovec comparte una biblioteca (en C++ y Python), además de varios dataset.

    • Pytorch Geometric URL

      Una biblioteca bastante popular para aprendizaje en grafos.

    • Deep Graph Library (DGL) URL

      Una biblioteca para implementar GNNs con el gran plus de que es agnóstico al framework (PyTorch o TensorFlow).

    • Spektral URL

      Una biblioteca basada en TensorFlow para implementar GNNs.

    • StellarGraph URL
      Una biblioteca libre y gratuita básicamente para GNNs.
    • PyGSP: Graph Signal Processing in Python URL

      Una biblioteca en python para signal processing en grafos.

    • graph-tool URL

      Similar a networkx, pero más eficiente.

    • igraph - The network analysis package URL

      Otra biblioteca similar a networkx, pero disponible en varios lenguajes (C, python y R), y también más rápida. 

    • NetworKit - Large-Scale network analysis URL

      Otra biblioteca similar a networkx, pero también más rápida.

    • scikit-network URL

      Un scikit específico para grafos.

    • Alelab's Graph Neural Networks URL

      El grupo de Alejandro Ribeiro comparte implementaciones basadas en Pytorch de casi todos sus trabajos en este repo.

    • Datasets

    • SNAP: Stanford Network Analysis Project URL

      El equipo dirigido por Jure Leskovec comparte una biblioteca (en C++ y Python), además de varios dataset.

    • Netzschleuder: network catalogue, repository and centrifuge URL

      Un catálogo de grafos del grupo del creador de graph-tools.

    • Network Repository. An Interactive Scientific Network Data Repository. URL

      Un catálogo de grafos, que además pueden visualizarse en línea.

    • Harvard Dataverse URL

      Varios datasets de la Universidad de Harvard. No es específico de grafos, pero varios se pueden analizar desde esa perspectiva.

    • Grouplens URL

      El grupo Grouplens de la Universidad de Minnesota tiene varios datasets disponibles.

    • Catálogo Nacional de Datos Abiertos URL

      Es un catálogo de datos abiertos a nivel gubernamental del Uruguay. Tiene varios datasets que pueden interpretarse como grafos. Por ejemplos, viajes de ómnibus (https://catalogodatos.gub.uy/dataset/intendencia-montevideo-viajes-realizados-en-los-omnibus-del-stm).

    • Open Graph Benchmark URL
      Los estudiantes deben
      Marcar como hecha

      Varios datasets para hacer benchmark. Incluye métodos para cargarlos desde PyTorch Geometric o DGL, además de Leaderboards (con código asociado).

    • Kaggle URL
      Los estudiantes deben
      Marcar como hecha

      Kaggle ofrece varios datasets, códigos de ejemplo y turoriales. El link es para la sección de datasets.

◄Trabajos finales