Demystifying Graph Data Science: Graph algorithms, analytics methods, platforms, databases, and use cases

با بلوغ و ثبات روزافزون دیجیتالی‌سازی و فناوری‌های لبه‌ای، تعداد زیادی از موجودیت‌های دیجیتال، دستگاه‌های متصل، و ریزسرویس‌ها به طور هدفمند برای ایجاد مجموعه‌های عظیمی از داده‌های دیجیتال چندساختارشده تعامل دارند. شرکت ها به طور مداوم به دنبال راه های جدیدی برای استفاده از داده های خود برای ایجاد نوآوری ها و اختلالات تجاری برای ایجاد تحول دیجیتال واقعی هستند. علم داده (DS) ثابت کرده است که راه حل یک مرحله ای برای ساده کردن فرآیند کشف و انتشار دانش از مقادیر انبوه داده های چند ساختاری است.

پشتیبانی شده توسط پرس و جو زبان‌ها، پایگاه‌های داده، الگوریتم‌ها، پلتفرم‌ها، روش‌های تجزیه و تحلیل و الگوریتم‌های یادگیری ماشینی و عمیق (ML و DL)، نمودارها اکنون به عنوان یک ساختار داده جدید برای نمایش بهینه انواع داده‌ها و روابط صمیمی آن‌ها در حال ظهور هستند.

در مقایسه با روش‌های تحلیل سنتی، اتصال نقاط داده در تجزیه و تحلیل گراف، شناسایی خوشه‌های نقاط داده مرتبط را بر اساس سطوح تأثیر، ارتباط، فرکانس تعامل و احتمال تسهیل می‌کند. تجزیه و تحلیل گراف از طریق مجموعه ای از تکنیک های تجزیه و تحلیل مسیر شکن برای کشف و مشخص کردن روابط سودمند بین نهادهای مختلف مانند سازمان ها، افراد و تراکنش ها توانمند می شود. این کتاب ویرایش شده با هدف توضیح جنبه های مختلف و اهمیت علم داده های نموداری است. نویسندگان دانشگاه و صنعت الگوریتم‌ها، روش‌های تحلیلی، پلتفرم‌ها و پایگاه‌های داده را پوشش می‌دهند که ذاتاً قادر به ایجاد ارزش تجاری با استفاده هوشمندانه از داده‌های متصل هستند.

این کتاب یک کتاب ارزشمند خواهد بود. مرجعی برای صنعت ICT و محققان دانشگاهی، دانشمندان و مهندسان، و مدرسان و دانشجویان پیشرفته در زمینه های تجزیه و تحلیل داده، علم داده، معماری ابر/مه/لبه، اینترنت اشیا، هوش مصنوعی/ماشین و یادگیری عمیق و زمینه های مرتبط برنامه های کاربردی. همچنین برای متخصصان تحلیلگر در صنعت و تیم های عملیات فناوری اطلاعات جالب خواهد بود.

With the growing maturity and stability of digitization and edge technologies, vast numbers of digital entities, connected devices, and microservices interact purposefully to create huge sets of poly-structured digital data. Corporations are continuously seeking fresh ways to use their data to drive business innovations and disruptions to bring in real digital transformation. Data science (DS) is proving to be the one-stop solution for simplifying the process of knowledge discovery and dissemination out of massive amounts of multi-structured data.

Supported by query languages, databases, algorithms, platforms, analytics methods and machine and deep learning (ML and DL) algorithms, graphs are now emerging as a new data structure for optimally representing a variety of data and their intimate relationships.

Compared to traditional analytics methods, the connectedness of data points in graph analytics facilitates the identification of clusters of related data points based on levels of influence, association, interaction frequency and probability. Graph analytics is being empowered through a host of path-breaking analytics techniques to explore and pinpoint beneficial relationships between different entities such as organizations, people and transactions. This edited book aims to explain the various aspects and importance of graph data science. The authors from both academia and industry cover algorithms, analytics methods, platforms and databases that are intrinsically capable of creating business value by intelligently leveraging connected data.

This book will be a valuable reference for ICTs industry and academic researchers, scientists and engineers, and lecturers and advanced students in the fields of data analytics, data science, cloud/fog/edge architecture, internet of things, artificial intelligence/machine and deep learning, and related fields of applications. It will also be of interest to analytics professionals in industry and IT operations teams.