Wissensgraphen aufbauen

Kapitel 7. Graph-natives maschinelles Lernen

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

In diesem Kapitel lernst du die Überschneidung von Graphen und ML kennen. Du erfährst, wie ML-Techniken einen bestehenden Wissensgraphen automatisch anreichern können und wie du Merkmale aus einem Wissensgraphen auslesen kannst, um genaue Vorhersagemodelle zu erstellen.

Dieses Kapitel baut auf den Fähigkeiten auf, die du in Kapitel 6 gelernt hast, als du die Topologie eines Wissensgraphen mithilfe von Graphalgorithmen ausgewertet hast. Dabei hast du nützliche Erkenntnisse wie die kürzesten Pfade zwischen den Knoten entdeckt und die Gemeinschaften innerhalb des Wissensgraphen aufgedeckt. Die gleichen Fähigkeiten, die du mit Neo4j Graph Data Science, Cypher und Python erworben hast, werden in diesem Kapitel noch einmal zum Einsatz kommen. Du wirst auf diesen Fähigkeiten aufbauen und lernen, wie du graphnatives maschinelles Lernen zu deinem Werkzeugkasten hinzufügen kannst, um Modelle zu erstellen, die deinen Wissensgraphen bereichern können.

Wie die Kapitel 3, 5 und 6 ist auch dieses Kapitel nicht als umfassender Leitfaden für graphenbasierte ML gedacht. Es gibt dir aber genug Informationen, um mit der Nutzung von Wissensgraphen als Grundlage für ML zu beginnen, und zwar so detailliert, dass du bei Bedarf noch weiter gehen kannst.

Maschinelles Lernen in der Kurzfassung

ML ist ein riesiger Bereich der Forschung ...