【圖論Graph】Part1：初探圖形與圖形演算法之應用
本系列文為整理學習Graph的筆記內容，以O'REILLY圖形演算法一書為主，並且著重在圖形演算法的實作與應用。
現今資料處理上，最大的挑戰都集中在關係處理，而不只是把離散資料做成表格而已。
什麼是圖形
- 歷史:
- 最早是 1736 年， Leonhard Euler 解決了柯尼斯堡七座橋的問題，七座橋問題是：柯尼斯堡有四個由七座橋相連的區域，請問是否有可能藉由七座橋走遍所有，且每座橋只能走一次( ans: 不可能)
- 雖然是起源於數學，但是是一種實用、高保真的資料建模和分析方式
- 定義:
- 構成圖形的物件： 節點(Node) 和連線(Relation/Edge)
- 圖形技術用途，例如:
- 金融市場到資訊科技的變動環境預測
- 預測傳染病的傳播途徑
- 個人化的推薦與體驗
什麼是圖形分析和圖形演算法
圖形演算法是圖形分析工具的子集，圖形分析是一種動作，它使用任何圖形的方法來分析連接的資料
- 查詢圖形資料
- 使用基本統計資料
- 視覺化瀏覽圖表
- 圖形合併到機器學習任務
而這個分析的動作，稱作圖形演算法(Graph algorithm)
為什麼我們要關心圖形演算法
圖形演算法讓連結性資料更有意義，特別適合用來理解高度連接資料庫的架構，並且揭露其資料模式。
偏好依附原則(preferential attachment)，當一個節點要加入網路中，會偏好已經有很多連接的節點。
這就會和常態分佈的模型有很大的差異，它甚至是呈現冪律分佈(power-law distribution)= 少數一些節點有著高度連結，大多數的節點只有少數的連接。
(有點像是 80/20 法則的感覺)
那使用常態分佈的工具去分析這些資料是很麻煩的，因為這往往會面臨資料不平均的問題，資料中可能隱藏著一個結構，但很難被找到。
圖形分析使用
圖形分析應用於預測行為和預測變動群組的行動，需要去理解群組中的關係和結構，並透過圖形演算法視察網路連結來實現。
- 傳播途徑: 事情怎麼傳的
- 水流與影像力: 容量和成本控制點
- 相互作用與韌性: 如何相互作用，未來會不會改變？
這裡的意思比較抽象，大致理解在使用圖形演算法解決的問題，可以有這三種，具體的話可能要等實作真正的案例才足夠理解。
參考資料：圖形演算法：Apache Spark與Neo4j實務範例
小心得
這會是一系列的文，也是在學習圖形演算法時紀錄的筆記，預計會有的內容是：圖形的介紹、圖形演算法，像是：最短路徑、社群檢測、運用在 ML 領域... 等。如果有興趣的話，歡迎追蹤～下次見囉!
33會員
44內容數
歡迎來到《桃花源記》專欄。這裡不僅是一個文字的集合，更是一個探索、夢想和自我發現的空間。在這個專欄中，我們將一同走進那些隱藏在日常生活中的"桃花源"——那些讓我們心動、讓我們反思、讓我們找到內心平靜的時刻和地方
留言
留言分享你的想法！
你可能也想看
Google News 追蹤
定義
圖Graph: 由節點和邊所組成的一個網狀資料結構。
圖的表達方式Graph representation:
常見的有相鄰串列adjacency list或相鄰矩陣adjacency matrix。
本文以adjacenct list作為示範。
節點Vertex: 節點
定義
圖Graph: 由節點和邊所組成的一個網狀資料結構。
圖的表達方式Graph representation:
常見的有相鄰串列adjacency list或相鄰矩陣adjacency matrix。
本文以adjacenct list作為示範。
特徵工程是機器學習中的核心技術，通過將原始數據轉換為有意義的特徵，以提升模型的準確性和穩定性。常見的特徵工程方法包括異常值檢測、特徵轉換、特徵縮放、特徵表示、特徵選擇和特徵提取。本文將深入探討這些方法的適用情況及具體實施流程，以幫助讀者有效利用特徵工程來優化機器學習模型表現。
在資料分析過程中，透過衡量變數之間的線性或非線性關係，能有效探索數據集，篩選出重要特徵，並進行預測建模。本文介紹瞭如何理解數據、使用相關矩陣找出變數關聯性，以及利用互資訊評估變數之間的依賴程度，幫助資料科學家在建模過程中選擇適當的變數，提升模型效果。
Python資料視覺化在數據分析中扮演關鍵角色，透過視覺化捕捉數據模式、趨勢和異常，透過Matplotlib等工具創建專業圖表變相對簡單和高效。
題目敘述: Minimum Cost to Convert String I
給定字元轉換映射表original, changes和對硬的成本陣列cost。
請問字串source轉換到字串destination的最小成本是多少?
如果無解，請返回-1
如果有解，請返回整體的轉換最小成本。
數據分析與解讀
隨著數據的爆炸式增長，能夠分析、解讀和應用數據的能力變得至關重要。這包括熟悉數據分析工具和技術，如統計學、數據挖掘、機器學習等。然而，僅靠短時間的數據分析並不足以提供深入見解。
要熟悉數據分析工具和技術，如統計學、數據挖掘和機器學習，可以從以下幾個方面入手：
基礎知識的學習
各位伙伴早安，上回分享如何圖解具體資訊
今天來談談抽象的概念、理論等訊息要如何圖解吧～
這也是我覺得是視覺筆記最有價值且可以發揮的地方
相比具體資訊，抽象資訊不但沒有標準答案(就算有，也不代表每個人的理解相同)，因此具像化的難度與意義就更高了，而用畫圖表達抽象概念有三個主要目的，依據目的
上篇進一步認識基本的圖形架構與三大 Graph 算法，那首先從 shortest path 開始，我們會陸續去理解這些算法，以及可能的應用，如果還沒有看過上一篇的，可以點以下連結～那我們就開始吧！
【圖論Graph】Part1：初探圖形與圖形演算法之應用
本篇文章深入介紹了圖形的基本概念、組成和應用。從圖形的基本組成，到圖的類型與種類，再到圖形演算法的三大類型，本文將接續圖形領域的深入學習，並分享了對圖形的初步認識和學習方向的小心得。希望對正在學習圖形的人有所幫助。
定義
圖Graph: 由節點和邊所組成的一個網狀資料結構。
圖的表達方式Graph representation:
常見的有相鄰串列adjacency list或相鄰矩陣adjacency matrix。
本文以adjacenct list作為示範。
節點Vertex: 節點
定義
圖Graph: 由節點和邊所組成的一個網狀資料結構。
圖的表達方式Graph representation:
常見的有相鄰串列adjacency list或相鄰矩陣adjacency matrix。
本文以adjacenct list作為示範。
特徵工程是機器學習中的核心技術，通過將原始數據轉換為有意義的特徵，以提升模型的準確性和穩定性。常見的特徵工程方法包括異常值檢測、特徵轉換、特徵縮放、特徵表示、特徵選擇和特徵提取。本文將深入探討這些方法的適用情況及具體實施流程，以幫助讀者有效利用特徵工程來優化機器學習模型表現。
在資料分析過程中，透過衡量變數之間的線性或非線性關係，能有效探索數據集，篩選出重要特徵，並進行預測建模。本文介紹瞭如何理解數據、使用相關矩陣找出變數關聯性，以及利用互資訊評估變數之間的依賴程度，幫助資料科學家在建模過程中選擇適當的變數，提升模型效果。
Python資料視覺化在數據分析中扮演關鍵角色，透過視覺化捕捉數據模式、趨勢和異常，透過Matplotlib等工具創建專業圖表變相對簡單和高效。
題目敘述: Minimum Cost to Convert String I
給定字元轉換映射表original, changes和對硬的成本陣列cost。
請問字串source轉換到字串destination的最小成本是多少?
如果無解，請返回-1
如果有解，請返回整體的轉換最小成本。
數據分析與解讀
隨著數據的爆炸式增長，能夠分析、解讀和應用數據的能力變得至關重要。這包括熟悉數據分析工具和技術，如統計學、數據挖掘、機器學習等。然而，僅靠短時間的數據分析並不足以提供深入見解。
要熟悉數據分析工具和技術，如統計學、數據挖掘和機器學習，可以從以下幾個方面入手：
基礎知識的學習
各位伙伴早安，上回分享如何圖解具體資訊
今天來談談抽象的概念、理論等訊息要如何圖解吧～
這也是我覺得是視覺筆記最有價值且可以發揮的地方
相比具體資訊，抽象資訊不但沒有標準答案(就算有，也不代表每個人的理解相同)，因此具像化的難度與意義就更高了，而用畫圖表達抽象概念有三個主要目的，依據目的
上篇進一步認識基本的圖形架構與三大 Graph 算法，那首先從 shortest path 開始，我們會陸續去理解這些算法，以及可能的應用，如果還沒有看過上一篇的，可以點以下連結～那我們就開始吧！
【圖論Graph】Part1：初探圖形與圖形演算法之應用
本篇文章深入介紹了圖形的基本概念、組成和應用。從圖形的基本組成，到圖的類型與種類，再到圖形演算法的三大類型，本文將接續圖形領域的深入學習，並分享了對圖形的初步認識和學習方向的小心得。希望對正在學習圖形的人有所幫助。