Framework 20.04.2020, 09:53 Uhr

Neo4j for Graph Data Science

Das Framework Neo4j for Graph Data Science verbindet native Graphanalytik und Graphdatenbank mit skalierbaren Graph-Algorithmen und anschaulicher Visualisierung.
Framework: Das Toolset von Neo4j for Graph Data Science.
(Quelle: www.neo4j.com )
Damit erhalten Data Scientists ein zuverlässiges und benutzerfreundliches Toolset für die Analyse vernetzter Daten und das Erstellen von Machine Learning-Modellen.
Mit Neo4j for Graph Data Science können Anwender aussagekräftige, aber bislang weitgehend ungenutzte Beziehungen und Netzwerkstrukturen für ihre Analysen heranziehen. Anwendungsfälle reichen von der eindeutigen Nachverfolgung von Webseiten-Besuchern über mehrere Plattformen und Touchpoints hinweg bis zur Betrugsaufdeckung auf Grund verdächtiger Datenmuster oder der Erforschung von Krankheiten und ihren Behandlungsmöglichkeiten.
Die native und persistente Modellierung ermöglicht die Projektion von In-Memory-Graphen. Dank des Visualisierungstools Neo4j Bloom können die Ergebnisse dargestellt und geteilt werden. Skalierbare Graph-Algorithmen lassen sich zudem in reproduzierbare Abläufe integrieren und erlauben datenbasierte Vorhersagen. Dazu gehören beispielsweise Community Detection- und Similarity Algorithmen zur Identifizierung von Clustern und Nearest-Neighbor-Heuristiken, Centrality Algorithmen zur Identifizierung von Influencern sowie Pathfinding und Link Prediction Algorithmen für topologische Mustererkennung.
»Die Annahme, dass mehr Daten die Genauigkeit erhöhen und False-Positive-Ergebnisse reduzieren, ist in der Datenanalyse ein weit verbreiteter Irrtum«, erklärt Alicia Frame, Lead Product Manager und Data Scientist bei Neo4j. »In Wirklichkeit übersehen viele datenwissenschaftliche Modelle die für Vorhersagen aussagekräftigsten Elemente innerhalb der Daten: ihre Verbindungen und Strukturen. Neo4j for Graph Data Science wurde genau deshalb konzipiert, um mit Hilfe der zugrundeliegenden Datenbeziehungen die Vorhersagegenauigkeit von Machine Learning-Modellen zu optimieren und bisher offene Fragen der Datenanalytik zu beantworten.«



Das könnte Sie auch interessieren