Graph Machine Learning

I grafi della conoscenza sono al culmine del ciclo di hype di Gartner e le Graph Neural Network (GNN) saranno presto in cima alla rampa perché sfruttano e sbloccano il potenziale dei grafi della conoscenza aziendale. I Data Lake mettono i dati in un unico posto, i Knowledge Graph collegano tra loro i dataset e le Graph Neural Network automatizzano i processi di business utilizzando i dati provenienti da tutta l’azienda.

Vi svelerò un segreto che sta guidando la popolarità di Enterprise Knowledge Graphs e Graph Neural Networks (GNNs): LA MAGGIOR PARTE DEI DATI SONO DATI GRAPH. Per comporre un unico tavolo, di solito vengono compressi più tavoli in uno solo. E questo è un problema… il pregiudizio relazionale di una tabella di dati significa che la modellazione non ha lo stesso potenziale delle tabelle originali. È diluito. Questo è ciò che sta guidando la rivoluzione dei grafi che sta investendo gli Stati Uniti e si sta diffondendo in Europa.

In questo corso, partiremo dalle competenze che avete sviluppato lavorando con tabelle di dati e DataFrame e le estenderemo per coprire grafi, network, grafi della conoscenza e grafi delle proprietà. Lavoreremo con diversi tipi di grafi provenienti da più domini. Ciò include reti naturali come social network, reti di collaborazione o reti di comunicazione, nonché reti strutturali come il piano di un programma Python o la mesh 3D di un modello di una scena tridimensionale. Parleremo dei tool Python e R per l’analisi dei grafi e la Graph Machine Learning, nonché dei più popolari graph database. Ci concentreremo sui grafi delle proprietà ma li confronteremo anche con RDF/triple store utilizzando SPARQL. Tratteremo i concetti base dell’analisi dei social network e della network science.

Questo corso si rivolge a Data Scientist e Machine Learning Engineer che desiderano estendere il proprio lavoro con tabelle di dati o DataFrame a dati con una struttura relazionale – entità (nodi/vertici) e le loro connessioni (bordi/collegamenti). A partire da una base di teoria e applicazioni, costruiremo grafi della conoscenza utilizzando l’elaborazione del linguaggio naturale (NLP), analizzeremo le reti utilizzando l’analisi dei grafi ed estrarremo il pieno potenziale delle strutture relazionali nei dati automatizzando le decisioni utilizzando la Graph Machine Learning, inclusi gli incorporamenti di grafi e i Graph Neural Network (GNN). Al termine del corso, sarete in grado di includere graph dataset nel vostro lavoro quotidiano.