book

Construir grafos de conocimiento

by Jesus Barrasa, Jim Webber

September 2024

Intermediate to advanced

290 pages

8h 16m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

A quién va dirigido este libroConvenciones utilizadas en este libroAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
¿Qué son los gráficos?La motivación de los grafos de conocimientoGrafos de conocimiento: Una definiciónResumen
Principios organizativos de un grafo de conocimientoGráficos sencillosModelos gráficos más ricosGrafos de conocimiento que utilizan taxonomías para jerarquizarGrafos de conocimiento que utilizan ontologías para relaciones multinivel¿Cuál es el mejor principio organizador para tu gráfico de conocimiento?Principios de organización: Normas frente a Crea las tuyasCrear tu propio principio organizadorCaracterísticas esenciales de un gráfico de conocimientoResumen
El lenguaje de consulta CypherCrear datos en un gráfico de conocimientoEvitar duplicados al enriquecer un grafo de conocimientoGráfico Consultas localesGráfico Consultas globalesLlamada a funciones y procedimientosHerramientas de apoyo para escribir consultas de grafos de conocimientoNeo4j InternosProcesamiento de consultasTransacciones ACIDResumen
Cargar datos con el importador de datos Neo4jCarga masiva de datos en línea con CARGAR CSVCarga masiva inicialResumen
Hacia un Tejido de DatosEl controlador de la base de datosFederación de grafos con bases de datos compuestasProcedimientos del lado del servidorVirtualización de datos con Neo4j APOCFunciones y procedimientos personalizadosHerramientas y técnicas complementariasGraphQLComplemento Kafka ConnectConector Neo4j SparkApache Hop para ETLResumen
¿Por qué algoritmos gráficos?Diferentes clases de algoritmos gráficosOperaciones de Ciencia de Datos de GráficosExperimentar con la Ciencia de Datos de GráficosConsideraciones sobre la producciónEnriquecer el grafo de conocimientoResumen
El aprendizaje automático en pocas palabrasAprendizaje automático topológicoPipelines de aprendizaje automático nativos de grafosRecomendación de actores complementariosResumen
El reto de la gestión de datos distribuidosConjuntos de datos conectados a plataformas de datosTareas y canalizaciones de datosSumideros de datosEjemplo de gráfico de metadatosConsulta del modelo gráfico de metadatosUtilizar relaciones para conectar datos y metadatosResumen
Conocer a tu cliente¿Cuándo aparece el problema?Resolución de Entidades Basada en Grafos Paso a PasoPreparación de datosCorrespondencia de entidadesConstruir/Actualizar un Registro Persistente de Entidades MaestrasTrabajar con datos no estructuradosResumen

Detección del fraudeFraude de primera parteDescubrir el fraude a partir de los datosAnillos de fraudeTranseúntes inocentesOperacionalización del grafo de conocimiento de detección de fraudesAdecuación de competenciasGráfico de conocimiento organizativoHabilidades Gráfico de conocimientosPericia Gráfico de conocimientoCrecimiento profesional individualPlanificación organizativaPredecir el rendimiento organizativoResumen
Dependencias como gráficoModelado avanzado de dependencia de grafosDependencias cualificadasSemántica de la multidependenciaPropagación de impactos con CypherValidación de un grafo de conocimiento de dependenciasValidación 1: Sin ciclosValidación 2: Las multidependencias agregadas suman el total esperadoTratamiento de dependencias complejasAnálisis del punto único de falloAnálisis de la causa raízResumen
Búsqueda en datos no estructuradosDe las cadenas a las cosas: Anotar documentos con entidadesNavegando por las Conexiones: Similitud de Documentos para RecomendacionesEl problema del arranque en fríoSemantizar la anotación con un principio organizadorResumen
Respuesta a preguntas: El lenguaje natural como fuente de hechos para un grafo de conocimientoUtilizar la consulta en lenguaje natural con un grafo de conocimientoGeneración de lenguaje natural a partir de grafos de conocimientoAnotar el Principio Organizador del Grafo de Conocimiento para Impulsar la Generación de Lenguaje NaturalTrabajar con bases de datos léxicasSimilitud semántica basada en grafosSimilitud de trayectoriasSimilitud Leacock-ChodorowSimilitud de Wu y PalmerResumen
Implementaciones convencionales de grafos de conocimientoDe los grafos de conocimiento a los lagos de conocimientoMirando al futuro

Content preview from Construir grafos de conocimiento

Capítulo 6. Enriquecer los grafos de conocimientocon la ciencia de datos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Este capítulo te introducirá en la ciencia de datos de grafos. El objetivo de la ciencia de datos de grafos es obtener información sobre tu grafo de conocimiento utilizando algoritmos de grafos. Con ese fin, aprenderás en los tipos más comunes de algoritmos de grafos y la información que obtienen, así como en cómo Neo4j Graph Data Science proporciona una plataforma sencilla para experimentar, compartir y producir algoritmos de grafos. También aprenderás a ejecutar algoritmos de grafos en grafos de conocimiento reales y experimentarás cómo el sistema hace gran parte del trabajo pesado por ti.

Al igual que el Capítulo 3, este capítulo no pretende ser exhaustivo, sino más bien darte las bases para que puedas trabajar en el resto del libro. Para quienes busquen más profundidad, hay muchos buenos libros dedicados a temas técnicos profundos específicos, como Graph Data Science for Dummies, de la Dra. Alicia Frame y Zach Blumenfeld (Wiley).

¿Por qué algoritmos gráficos?

Los algoritmos de grafos proporcionan alguna información sobre la estructura de un grafo de conocimiento. Esa información puede ser gente influyente en un grafo social, cruces críticos en una red ferroviaria, células de defraudadores o un patógeno común en la ruta de una enfermedad. Aunque el diseño y la aplicación de los algoritmos ...