상세정보

그래프 분석과 알고리즘, 이론에 대한 소개로 시작해서 그래프 알고리즘에 초점을 맞춘 경로 찾기, 중심성, 커뮤니티 감지 등을 간략하게 설명한다. 알고리즘의 기능 설명을 확인할 수 있고, 알고리즘에 대한 사용 사례와 자세한 내용을 볼 수 있다. 또한 스파크, Neo4j에서 알고리즘 사용 방법을 제공하는 구체적인 예제 코드를 통해 이론의 활용이 가능하다. 그래프 분석으로 모든 조직의 복잡한 시스템과 대규모 네트워크의 동작을 파악할 수 있으며, 그래프 분석을 더 잘 활용해서 새로운 발견을 하고 지능형 솔루션을 더 빠르게 개발할 수 있을 것이다.

★ 이 책에 쏟아진 찬사 ★

"기초 알고리즘의 기본 개념에서 시작해 프로세싱 플랫폼과 실제 사용 예제에 이르기까지 멋진 그래프 세계로 인도할 유익한 가이드를 제공한다."
- 커크 본(Kirk Borne) 박사, 부즈 앨런 해밀턴(Booz Allen Hamilton)의 수석 데이터 과학자 겸 수석 고문

"그래프 알고리즘으로 패턴과 구조를 검출해 연결된 데이터를 살펴볼 수 있는 실용적이고 유익한 가이드다. 그래프 데이터베이스 작업 개발자가 반드시 읽어야 한다."
- 루앤 미스퀴타(Luanne Misquitta), GraphAware 엔지니어링 부사장

★ 추천의 글 ★

마케팅 속성 분석, 자금 세탁 방지(AML, Anti-Money Laundering) 분석, 고객 여정 모델링, 안전사고 원인 분석, 문헌 기반 발견, 사기 네트워크 감지, 인터넷 검색 노드 분석, 지도 애플리케이션 생성, 질병 클러스터 분석에서 공통점은 그래프를 사용한다는 것이다.
위에 나열된 모든 예에는 직접/간접(전이) 관계를 포함해 엔티티와 엔티티 간의 관계가 포함된다. 엔티티는 그래프의 노드며 사람, 이벤트, 개체, 개념, 장소가 될 수 있다. 노드 간의 관계는 그래프의 에지(edge)가 된다.
그래프 알고리즘과 그래프 데이터베이스를 그토록 흥미롭고 강력하게 만드는 것은 A가 B와 관련된 두 개체 간에 단순한 관계만 있기 때문은 아니다. 결국 데이터베이스의 표준 관계형 모델은 수십 년 전에 엔티티 관계 다이어그램(ERD)에서 이러한 타입의 관계를 인스턴스화했다. 그래프에서 중요한 것은 방향 관계와 전이 관계다. 방향 관계에서 A는 B를 유발할 수 있지만 그 반대는 안 된다. 전이 관계에서 A는 B와 직접 관련되고 B는 C와 직접 관련되며 A는 C와 직접적으로는 관련되지 않았지만 결과적으로 보면 A는 C와 전이적으로 관련된다.
이러한 전이 관계(특히 관계와 네트워크 패턴이 가능한 한 많고 엔티티 간 일정한 분리 정도를 가지면서 엔티티들이 많고 다양할 때가 해당됨)를 통해 그래프 모델은 연결이 끊어지거나 관련이 없는 것처럼 보일 수 있고 관계형 데이터베이스에 의해 감지되지 않는 엔티티 간의 관계가 존재할 수 있다. 따라서 그래프 모델은 많은 네트워크 분석 사용 사례에서 생산적이며 효과적으로 적용할 수 있다.
인터넷 검색에서 주요 검색 엔진은 하이퍼링크 네트워크(그래프 기반) 알고리즘을 사용해 주어진 검색 단어 집합에 대해 전체 인터넷에서 신뢰할 수 있는 중앙 노드를 찾는다. 네트워크의 권위 있는 노드는 다른 많은 노드가 가리키는 노드이기 때문에 이 경우 에지의 방향성은 매우 중요한 역할을 한다.
그래프 알고리즘을 통한 모든 네트워크 분석 예를 사용해 앞서 언급한 다른 사용 사례에서도 유사한 그래프 작성 능력을 설명할 수 있다. 각 사례는 엔티티(사람, 개체, 이벤트, 행동, 개념, 장소)와 그 관계(접촉점, 인과(casual) 관계, 단순(simple) 연결 모두)와 깊이 관련된다.
그래프가 가진 힘을 고려할 때 실제 사용 사례에서 활용될 수 있는 그래프 모델의 가장 강력한 노드는 '콘텍스트(context)'일 수 있다는 점을 염두에 둬야 한다. 콘텍스트에는 시간, 위치, 관련 이벤트, 주변 엔티티 등이 포함될 수 있다. 콘텍스트를 그래프(노드 및 에지)에 통합하면 인상적인 예측(predictive) 분석과 규범적(prescriptive) 분석 기능을 얻을 수 있다.
마크 니덤(Mark Needham)과 에이미 호들러(Amy E. Hodler)의 이 책은 알고리즘, 개념, 알고리즘의 실제 머신러닝 애플리케이션을 포함해 이러한 중요한 타입의 그래프 분석에 대한 지식과 기능을 확장하는 것을 목표로 한다. 기본 개념에서 기본 알고리즘, 처리 플랫폼, 실제 사용 사례에 이르기까지 멋진 그래프 세계에 대한 유익한 가이드다.
- 커크 본 박사, 부즈 앨런 해밀턴의 수석 데이터 과학자 및 수석 고문

★ 이 책에서 다루는 내용 ★

■ 데이터에서 그래프 분석으로 더 많은 예측 요소를 나타낼 수 있는 방법
■ 인기 있는 그래프 알고리즘의 작동 방식과 적용 방식
■ 20개 이상의 그래프 알고리즘 예제의 샘플 코드와 팁
■ 다양한 유형의 상황에서 어떤 알고리즘을 사용할지 알아보기
■ 스파크와 Neo4j용 작업 코드, 샘플 데이터 세트를 포함한 예제
■ Neo4j와 스파크를 결합해 링크 예측을 할 수 있는 ML 워크플로 작성

★ 이 책의 구성 ★

처음 두 개 장에서는 그래프 분석, 알고리즘과 이론에 대한 소개를 제공한다. 세 번째 장에서는 고전적인 그래프 알고리즘(경로 찾기, 중심성, 커뮤니티 감지)에 초점을 맞춘 세 가지 내용을 상세히 살펴보기 전에 사용된 플랫폼을 간략하게 설명한다. 워크플로 내에서 그래프 알고리즘이 사용되는 방식을 보여주는 두 개의 장으로 책을 마무리한다. 하나는 일반 분석용이고 다른 하나는 머신러닝용이다.

★ 이 책의 대상 독자 ★

아파치 스파크™ 또는 Neo4j를 사용해본 경험이 있는 개발자와 데이터 과학자가 그래프 알고리즘을 시작할 수 있도록 돕는 실용적인 가이드다. 알고리즘 예제는 스파크와 Neo4j 플랫폼을 활용하지만 선택한 그래프 기술에 관계없이 좀 더 일반적인 그래프 개념을 이해하는 데도 도움이 될 수 있다.

정보제공 :

1장. 시작하기
__그래프란?
__그래프 분석과 알고리즘은 무엇인가?
__그래프 프로세싱, 데이터베이스, 질의, 알고리즘
____OLTP와 OLAP
__그래프 알고리즘에 관심을 가져야 하는 이유
__그래프 분석 사례
__결론

2장. 그래프 이론과 개념
__용어
__그래프 타입과 구조
____랜덤, 작은 세상, 척도 독립 구조
__그래프가 갖는 여러 특징
____연결과 비연결 그래프
____비가중 그래프와 가중 그래프
____비방향성 그래프와 방향성 그래프
____비순환 그래프와 순환 그래프
____희소 그래프와 밀집 그래프
____일분, 이분, k분 그래프
__그래프 알고리즘의 타입
____경로 찾기
____중심성
____커뮤니티 검출
__요약

3장. 그래프 플랫폼과 프로세싱
__그래프 플랫폼과 프로세싱 고려 사항
____플랫폼 고려 사항
____프로세싱 고려 사항
__대표적인 플랫폼
____플랫폼 선택
____아파치 스파크
____Neo4j 그래프 플랫폼
__요약

4장. 경로 찾기와 그래프 탐색 알고리즘
__예제 데이터: 운송 그래프
____데이터를 아파치 스파크로 불러오기
____데이터를 Neo4j로 불러오기
__너비 우선 탐색
____너비 우선 탐색(아파치 스파크 활용)
__깊이 우선 탐색
__최단 경로
____언제 최단 경로를 사용해야 하는가?
____최단 경로(Neo4j 사용)
____최단 경로(Neo4j 사용)
____최단 경로(가중치 적용, 아파치 스파크 사용)
____최단 경로의 변형(Variation): A*
____최단 경로의 변형: 옌의 k-최단 경로
__모든 쌍의 최단 경로
____모든 쌍의 최단 경로를 자세히 알아보기
____모든 쌍의 최단 경로를 사용해야 할 경우
____모든 쌍의 최단 경로(아파치 스파크 사용)
____모든 쌍의 최단 경로(Neo4j 사용)
__단일 출발 최단 경로
____단일 출발 최단 경로를 사용해야 할 경우
____단일 출발 최단 경로(아파치 스파크 사용)
____단일 출발 최단 경로(Neo4j 사용)
__최소 신장 트리
____최소 신장 트리를 사용해야 할 경우
____최소 신장 트리(Neo4j 사용)
__랜덤 워크
____랜덤 워크를 사용해야 할 경우
____Neo4j를 사용한 랜덤 워크
__요약

5장. 중심성 알고리즘
__그래프 데이터 예: 소셜 그래프
____아파치 스파크로 데이터 가져오기
____Neo4j로 데이터 가져오기
__연결 중심성
____도달
____연결 중심성을 사용해야 할 경우
____연결 중심성(아파치 스파크 사용)
__근접 중심성
____근접 중심성을 사용해야 할 경우
____근접 중심성(아파치 스파크 사용)
____근접 중심성(Neo4j 사용)
____근접 중심성 변형: 와서만과 파우스트
____근접 중심성 변형: 조화 중심성
__매개 중심성
____매개 중심성을 사용해야 할 경우
____매개 중심성(Neo4j 사용)
____매개 중심성 변형: 랜덤 근사 브랜드
__PageRank
____영향력
____PageRank 공식
____반복 동작, 랜덤 서퍼, 랭크 싱크
____PageRank를 사용해야 할 경우
____PageRank(아파치 스파크 사용)
____PageRank(Neo4j 사용)
____PageRank 변형: 개인화된 PageRank
__요약

6장. 커뮤니티 검출 알고리즘
__예제 그래프 데이터: 소프트웨어 종속성 그래프
____아파치 스파크로 데이터 가져오기
____Neo4j로 데이터 가져오기
__트라이앵글 수와 결집 계수
____지역 결집 계수
____전역 결집 계수
____트라이앵글 수와 결집 계수를 사용해야 할 경우
____트라이앵글 수(아파치 스파크 사용)
____Neo4j 사용한 트라이앵글
____지역 결집 계수(Neo4j 사용)
__강한 연결 요소
____강한 연결 요소를 사용해야 할 경우
____강한 연결 요소(아파치 스파크 사용)
____강한 연결 요소(Neo4j 사용)
__연결 요소
____연결 요소를 사용해야 할 경우
____연결 요소(아파치 스파크 사용)
____연결 요소(Neo4j 사용)
__레이블 전파
____준지도 학습과 시드 레이블
____레이블 전파를 사용해야 할 경우
____레이블 전파(아파치 스파크 사용)
____레이블 전파(Neo4j 사용)
__루뱅 모듈성
____루뱅을 사용해야 할 때
____루뱅(Neo4j 사용)
__커뮤니티 검증
__요약

7장. 실전 그래프 알고리즘
__Neo4j를 사용한 옐프 데이터 분석
____옐프 소셜 네트워크
____데이터 불러오기
____그래프 모델
____옐프 데이터 개요
____여행 계획 애플리케이션
____여행 비즈니스 컨설팅
____유사 카테고리 찾기
__아파치 스파크로 항공사 비행 데이터 분석
____탐색적 분석
____인기 있는 공항
____ORD에서 지연
____SFO의 좋지 않은 비행 날짜
____항공사별 상호 연결 공항
__요약

8장. 머신러닝 향상을 위한 그래프 알고리즘
__머신러닝과 문맥의 중요성
____그래프, 콘텍스트, 정확도
__연결 특징 추출과 선택
____그래프 특징
____그래프 알고리즘 특징
__실전 그래프와 머신러닝: 링크 예측
____도구와 데이터
____Neo4j로 데이터 가져오기
____공동 저자 그래프
____균형된 훈련과 테스트용 데이터 세트 만들기
____누락된 링크를 예측하는 방법
____머신러닝 파이프라인 생성
____링크 예측: 기본 그래프 특징
____링크 예측: 트라이앵글과 결집 계수
____링크 예측: 커뮤니티 검출
__요약
__전체 내용 요약

부록. 추가 정보와 자원
__기타 알고리즘
__Neo4j 대량 데이터 가져오기와 옐프
____APOC와 다른 Neo4j 도구
__데이터 세트 찾기
__아파치 스파크와 Neo4j 플랫폼 지원
__훈련