Algoritmos de gráficos, redes neuronales y bases de datos de gráficos

Año del Boletín Gráfico, septiembre de 2019

Una de las principales sedes de IA del mundo muestra que el uso de gráficos para mejorar el aprendizaje de la máquina, y viceversa, es lo que muchas organizaciones sofisticadas están haciendo hoy en día. Nuevos desarrollos en algoritmos gráficos y analíticos, y las últimas versiones de bases de datos gráficas, muchas de las cuales incorporan algoritmos gráficos y funciones de aprendizaje de máquinas. Oferta de bonificación: Con motivo de la celebración de la 15ª edición del boletín de noticias del Año de la Gráfica: 15% de descuento para Connected Data London! ¿Conoce KDD? La Conferencia de SIGKDD sobre Descubrimiento de Conocimientos y Minería de Datos, como su nombre completo, es uno de los lugares más prominentes para la IA y la ciencia de datos. Alibaba, Amazon, Apple, Baidu, Snapchat son algunas de las organizaciones representadas entre las 3,5K personas que estuvieron allí. Una cosa que tienen en común: el uso de redes neuronales gráficas. Alrededor del 20% de los más de 300 trabajos incluyen gráficos y sistemas basados en el conocimiento. Apple, Alibaba, Amazon, y la pandilla promueven el estado del arte en AI y descubrimiento de conocimiento con gráficos

Como se señala en el trabajo de Alibaba, un número cada vez mayor de tareas de aprendizaje automático requieren el manejo de grandes conjuntos de datos gráficos, que capturan relaciones ricas y complejas entre miles de millones de elementos potenciales. Las redes neuronales gráficas (GNN) se convierten en una forma eficaz de abordar el problema del aprendizaje gráfico.

El aprendizaje de máquina basado en gráficos, o GraphML, es todavía un área de interés relativamente nueva. ¿Cómo encaja en el mundo de la analítica? Graham Ganssle Graph de Expero señala que hay tres paradigmas de procesamiento con respecto a GraphML, que tipifican miles de tipos de análisis individuales, y da algunos casos de uso para cada uno de ellos. Los tres paradigmas de GraphML

La analítica gráfica es un área de investigación muy caliente en este momento porque estamos entrando en un mundo dominado por el aprendizaje automático. Hay muchos tipos de análisis gráficos tradicionales que no requieren aprendizaje automático. Con respecto al GraphML, hay tres paradigmas de procesamiento que tipifican miles de tipos de análisis individuales: Extracción inteligente de datos, análisis de la estructura de datos, GraphML de aceleración completa.

Wu Huijun de StellarGraph utiliza redes convolucionales gráficas para mirar detrás de la cortina. El mapeo de saliencia es una técnica con orígenes en la literatura de la visión por computador que se utiliza para cambiar o simplificar una imagen en algo que tiene significado para los seres humanos, lo que facilita su análisis. Huijun utiliza mapas de saliencia en el aprendizaje de máquinas gráficas. Mapas de salinidad para el aprendizaje de máquinas gráficas

Usando la clasificación de nodos con redes convolucionales gráficas (GCN) como estudio de caso, veremos cómo medir la importancia de nodos y bordes específicos de un gráfico en las predicciones del modelo. Esto implicará explorar el uso de mapas de salinidad para ver si la predicción del modelo cambiará si eliminamos o añadimos un cierto borde, o si cambiamos las características del nodo.

Como se mencionó cuando se discute GraphML, hay muchos tipos de análisis de gráficos tradicionales que no requieren aprendizaje de máquina. Aquí están los 5 algoritmos de gráficos que Data Scientists debe saber, porque según Rahul Agarwal de Walmart, Graph Analytics es el futuro. Data Scientists, 5 Graph Algorithms that you should know

En un mundo conectado, los usuarios no pueden ser considerados como entidades independientes. Ellos tienen relaciones, y a veces nos gustaría incluir tales relaciones mientras construimos nuestros modelos de aprendizaje de máquina. En este post, voy a hablar de algunos de los algoritmos gráficos más importantes que debes saber y cómo implementarlos usando Python.

A medida que la analítica de gráficos y los algoritmos ganan vapor, su ejecución rápida y a escala se vuelve cada vez más importante. Una nueva biblioteca de código abierto de NVIDIA podría ser el ingrediente secreto para mejorar la analítica y acelerar la creación de bases de datos gráficas. La clave: el procesamiento paralelo en las GPU NVIDIA. El esfuerzo está liderado por el veterano analista gráfico Brad Rees. Nvidia Rapids cuGraph: Realización de análisis de gráficos ubicuos

Con el lanzamiento de la versión 0.9, cuGraph se acerca un paso más a la 1.0. Como explicó Rees, el objetivo no es sólo seguir añadiendo algoritmos a cuGraph, sino también hacer que funcionen en múltiples GPUs. Esto ya se ha conseguido para PageRank. Sin embargo, incluso en la versión 0.6, cuGraph ya era hasta 2000 veces más rápido que NetworkX.

¿Le gustaría ponerse al día con Brad Rees, presentando una visión general de RAPIDS y cuGraph, discutiendo y mostrando ejemplos de cómo manipular y analizar gráficos, y cómo los datos pueden ser compartidos con algoritmos de aprendizaje automático? ¿Le gustaría también unirse a los expertos en bases de datos gráficas George Anadiotis de Z

Etiquetas

Gráficos de ConocimientoBase de Datos GráficosAprendizaje de MáquinasAiAnálisisCiencia de DatosAlgoritmosRedes Neuronales

Comentarios

Continúe la discusión