Descripción
Los grafos de conocimiento son increíblemente útiles y ayudan a las organizaciones a rastrear investigaciones médicas, inteligencia de amenazas de ciberseguridad, cumplimiento del RGPD, participación de usuarios web y mucho más. Lo hacen almacenando descripciones interconectadas de entidades (objetos, eventos, situaciones o conceptos abstractos) y codificando la información subyacente. ¿Cómo se crea un grafo de conocimiento? ¿Y cómo se pasa de la teoría a la producción?
Mediante ejemplos prácticos, este libro muestra a los científicos e ingenieros de datos cómo construir sus propios grafos de conocimiento. Los autores Jesus Barrasa y Jim Webber de Neo4j ilustran patrones comunes para construir grafos de conocimiento que resuelven muchos de los problemas actuales de gestión del conocimiento. Descubrirá rápidamente cómo estos grafos se vuelven cada vez más útiles a medida que añade datos y los aumenta con algoritmos y aprendizaje automático.
- Aprenda los principios organizativos necesarios para construir un grafo de conocimiento
- Explore cómo las bases de datos de grafos sirven como base para los grafos de conocimiento
- Comprenda cómo importar datos estructurados y no estructurados a su grafo
- Siga ejemplos para construir grafos de conocimiento de integración y búsqueda
- Aprenda qué pueden lograr los grafos de conocimiento de detección de patrones
- Explore los grafos de conocimiento de dependencia a través de ejemplos
- Utilice ejemplos de grafos de conocimiento de lenguaje natural y chatbots
- Utilice algoritmos de grafos y ML para obtener información sobre los datos conectados
Autor: Jesus Barrasa, Jim Webber
Editorial: O'Reilly Media
Publicado: 08/01/2023
Páginas: 288
Tipo de encuadernación: Tapa blanda
Peso: 1.10 libras
Tamaño: 9.10h x 6.90w x 0.80d
ISBN13: 9781098127107
ISBN10: 1098127102
Categorías BISAC:
- Informática | Ciencia de datos | Aprendizaje automático
- Informática | Inteligencia artificial | Procesamiento del lenguaje natural
Sobre el autor
Dr. Jesus Barrasa - Jesus dirige el equipo de ingeniería de ventas en EMEA y es el experto residente de Neo4j en tecnologías semánticas. Coescribió Knowledge Graphs: Data in Context for Responsive Businesses (Informe O'Reilly) y lidera el desarrollo de Neosemantics (plugin de Neo4j para RDF). Antes de unirse a Neo4j, Jesus trabajó para empresas de integración de datos como Denodo y Ontology Systems (ahora EXFO), donde obtuvo experiencia de primera mano con muchos proyectos exitosos de tecnología de grafos a gran escala para importantes empresas de todo el mundo. El doctorado de Jesus es en Inteligencia Artificial/Representación del Conocimiento, centrado en la reutilización automática de datos relacionales heredados como grafos de conocimiento.
Dra. Maya Natarajan - Maya es directora sénior de Grafos de Conocimiento. En Neo4j, Maya es responsable de la estrategia 'go-to-market' de los grafos de conocimiento. Es la experta interna en grafos de conocimiento y fue una de las principales colaboradoras de Knowledge Graphs: Data in Context for Responsive Businesses (Informe O'Reilly). Maya ha posicionado varias tecnologías, desde blockchain hasta análisis predictivos y basados en el usuario, aprendizaje automático, aprendizaje profundo y búsqueda en una miríada de industrias, incluidas las ciencias de la vida, los servicios financieros, la cadena de suministro y la fabricación en varias organizaciones grandes y pequeñas. Maya tiene un doctorado en Ingeniería Química de la Universidad de Rice y comenzó su carrera en biotecnología, donde tiene cinco patentes a su nombre.
Dr. Jim Webber - Jim es científico jefe de Neo4j y profesor visitante en la Universidad de Newcastle, Reino Unido. En Neo4j, Jim trabaja en bases de datos de grafos tolerantes a fallos y coescribió Graph Databases (1.ª y 2.ª ediciones, O'Reilly), Graph Databases for Dummies (Wiley) y Knowledge Graphs: Data in Context for Responsive Businesses (Informe O'Reilly). Jim tiene una larga trayectoria de trabajo en sistemas distribuidos tolerantes a fallos y a menudo asesora a clientes sobre problemas de escala, rendimiento y tolerancia a fallos para sus sistemas intensivos en datos.