Graphengestützte Analysen und maschinelles Lernen mit TigerGraph

Kapitel 2. Daten verbinden und erforschen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In Kapitel 1 haben wir das Potenzial von Graphanalysen und maschinellem Lernen für menschliche und unternehmerische Bemühungen aufgezeigt und vorgeschlagen, die Details in drei Stufen darzustellen: die Macht der vernetzten Daten, die Macht der Graphanalysen und die Macht des maschinellen Lernens. In diesem Kapitel tauchen wir tief in die erste Phase ein: die Macht der vernetzten Daten.

Bevor wir uns mit den Möglichkeiten von verknüpften Daten beschäftigen, müssen wir einige Grundlagen schaffen. Wir beginnen mit einer Einführung in die Konzepte und die Nomenklatur des Graphdatenmodells. Wenn du bereits mit Graphen vertraut bist, kannst du diesen Abschnitt überfliegen, um sicherzustellen, dass wir in Bezug auf die Terminologie auf derselben Seite stehen. Neben den Graphen selbst werden wir auch die wichtigen Konzepte eines Graphenschemas und des Durchlaufens eines Graphen behandeln. Beim Traversieren geht es darum, wie wir nach Daten und Verbindungen in einem Graphen suchen.

Nebenbei sprechen wir über die Unterschiede zwischen Graph- und relationalen Datenbanken und darüber, wie wir mit Graphanalysen Fragen stellen und Probleme lösen können, die in einer relationalen Datenbank nicht machbar wären.

Ausgehend von diesem grundlegenden Verständnis, was ein Diagramm ist, stellen wir Beispiele für die Leistungsfähigkeit ...