Pular para o conteúdo principal

Webinar - TigerGraph Workshop: Zero to Advanced Analytics and Machine Learning in 90 minutes

fwrs-versant.tgcloud.io

https://info.tigergraph.com/hubfs/TigerGraph-Workshop-Instructions.pdf

https://colab.research.google.com/drive/1ZtIkpuGNtuCglnig9tTghXcoachIG6y4?usp=sharing

Gravação do WorkShop -> https://youtu.be/bjtAj5eC2SU

TigerGraph é LPG: vértices tipados conectados por arestas tipadas, ambos podem ter propriedades para descreveê-los


Exemplo de Esquema Detecção de Fraudes

- algumas arestas são direcionadas, outras não. 

- publicar o esquema a cada alteração (criar vértices, atributos ou arestas)

- local vertex para subgrafos (visões), não fazem parte do grafo global que são multigrafos

- o nome dos vértices é case sensitivy, os atributos podem ser indexados

Não consegui explorar os dados do Workshop pq o ID não do exemplo (8192) não recupera nada no grafo

Pedi um conjunto de nós de Usuários aleatórios mas ao solicitar o "find the connections" não achou nada, precisei selecionar mais tipos de vértices e aí sim encontrou os caminhos

A parte do collab do workshop não consegui seguir pq dá erro na conexão mas não informa qual é o problema .... "

NameError: name 'tg' is not defined

"

As queries precisam ser criadas antes de serem executadas: 

USE GRAPH AntiFraud CREATE OR REPLACE QUERY ....

*** PARA UM WORKSHOP DE 90 MINUTOS POUCA COISA FOI APROVEITADA MESMO PAUSANDO E VOLTANDO O VÍDEO ***

 

Comentários

Postagens mais visitadas deste blog

Aprendizado de Máquina Relacional

 Extraído de -> https://www.lncc.br/~ziviani/papers/Texto-MC1-SBBD2019.pdf   Aprendizado de máquina relacional (AMR) destina-se à criação de modelos estatísticos para dados relacionais (seria o mesmo que dados conectados) , isto é, dados cuja a informação relacional é tão ou mais impor tante que a informação individual (atributos) de cada elemento.    Essa classe de aprendizado tem sido utilizada em diversas aplicações, por exemplo, na extração de informação de dados não estruturados [Zhang et al. 2016] e na modelagem de linguagem natural [Vu et al. 2018].   A adoção de técnicas de aprendizado de máquina relacional em tarefas de comple mentação de grafo de conhecimento se baseia na premissa de existência de regularidades semânticas presentes no mesmo . Modelos grafos probabilísticos  Baseada em regras / heurísticas que não podem garantir 100% de precisão no resultado da inferência mas os resultados podem ser explicados. Modelos de características de ...

Defesa de Doutorado de Grettel Monteagudo Garcia

A última atividade presencial que fiz na PUC-Rio foi assistir a defesa de tese da Grettel Monteagudo Garcia , em 13/03/2020 (uma sexta-feira 13 !!!!). O título da tese é “ A Keyword-based Query Processing Method for Datasets with Schemas ” e me interessou por causa do projeto do NIMA. A proposta parte do cenário onde usuários possam consultar dados, armazenados em bancos de dados relacionais e TripleStores, de maneira semelhante ao Google, ou seja, digitando palavras-chave, e deixando para o sistema recuperar os dados que melhor correspondem ao conjunto de palavras-chave.  Na tese estão descritos um algoritmo e um framework projetados para processar consultas baseadas em palavras-chave para bases de dados com esquema, especificamente bancos relacionais e bases de dados em RDF. A primeira etapa do algoritmo é a conversão do conjunto de palavras chaves em uma consulta abstrata explorando um esquema abstrato . Nesta etapa o principal desafio é achar onde a informação está (os matches...

Metodologia Científica II - continuação

No primeiro post  foram detalhados os 6 primeiros vídeos do canal do Youtube do professor Eduardo Ogasawara do CEFET/RJ   Mais 3 vídeos foram disponibilizados e estão comentados a seguir: Gráficos, Figuras e Tabelas (33 minutos) - como apresentar os resultados das avaliações experimentais. Gráficos: associar análises dos resultados a cada gráfico apresentado, problemas comuns na montagem de gráficos (não usar todo eixo X ou Y, não usar área útil com uma escala adequada a ver o comportamento dos números, não marcar os pontos de observação da série, inconsistência no uso de cores ), escala logarítmica x linear, eixo X para a variável independente e Y para a dependente (resposta), escrever boas legendas para os gráficos, observar se diferenças entre variáveis apresentadas em gráficos separados podem atrapalhar a interpretação dos resultados. Diagramas devem ser pensados de acordo com o propósito, trata-se de uma abstração e cada elemento deve ser explicado no texto, rótulos...