【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
43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0
查看全部
你可能也想看
Google News 追蹤
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
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。
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
本文要探討AI的任務與實戰場景。AI技術已深入生活各層面，從違約預測到都市交通管理。AI任務主要有三類：數值型資料處理、自然語言處理（NLP）和電腦影像辨識。時間序列資料和強化學習方法（如AlphaGo）也引起廣泛關注。AI演算法和方法因應不同學派和技術發展而多樣化，了解這些基礎有助選擇適合研究方向
本文介紹使用圖像、圖表和心智圖來理解抽象概念。
概念理解的方法
在學習新學科的初期階段，面對豐富而繁複的基本原理和概念，可能會常常感到不知所措。因此，如何有效的掌握並運用這些基礎知識，是提高學習效率的關鍵。
本文將探討幾種實用的方法，旨在幫助您更深入且靈活的理解新概念。
多感官學
想製作看起來專業又精美的圖表嗎？面對一堆數據卻不知該如何報告嗎？
Graphy絕對能滿足你的需求！
Graphy是一個提供圖表製作、數據分析等功能的AI工具，讓使用者能夠快速創建和分享數據視覺化的內容，使報告製作變得更加高效、易於理解，無需複雜的整合或廣泛的學習。
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
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。
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
本文要探討AI的任務與實戰場景。AI技術已深入生活各層面，從違約預測到都市交通管理。AI任務主要有三類：數值型資料處理、自然語言處理（NLP）和電腦影像辨識。時間序列資料和強化學習方法（如AlphaGo）也引起廣泛關注。AI演算法和方法因應不同學派和技術發展而多樣化，了解這些基礎有助選擇適合研究方向
本文介紹使用圖像、圖表和心智圖來理解抽象概念。
概念理解的方法
在學習新學科的初期階段，面對豐富而繁複的基本原理和概念，可能會常常感到不知所措。因此，如何有效的掌握並運用這些基礎知識，是提高學習效率的關鍵。
本文將探討幾種實用的方法，旨在幫助您更深入且靈活的理解新概念。
多感官學
想製作看起來專業又精美的圖表嗎？面對一堆數據卻不知該如何報告嗎？
Graphy絕對能滿足你的需求！
Graphy是一個提供圖表製作、數據分析等功能的AI工具，讓使用者能夠快速創建和分享數據視覺化的內容，使報告製作變得更加高效、易於理解，無需複雜的整合或廣泛的學習。