Návrh Školení
Úvod
- Grafové databáze a knihovny
Pochopení grafových dat
- Graf jako datová struktura Použití vrcholů (teček) a hran (čar) k modelování scénářů reálného světa
Použití Graph Databases k modelování, přetrvávání a zpracování dat grafu
- Lokální grafové algoritmy/procházení neo4j, OrientDB a Titan
Cvičení: Modelování grafových dat pomocí neo4j
- Datové modelování tabule
Beyond Graph Databases: Graph Computing
- Pochopení grafu vlastností Graf modelování různých scénářů (softwarový graf, diskusní graf, koncepční graf)
Řešení skutečných světových problémů pomocí přechodů
- Algoritmická/řízená chůze po grafu Určení kruhových závislostí
Případová studie: Hodnocení diskutujících přispěvatelů
- Pořadí podle počtu a hloubky přidaných diskuzí Poznámka k analýze sentimentu a konceptu
Graph Computing: Lokální sady nástrojů In-Memory Graph
- Analýza a vizualizace grafů JUNG, NetworkX a iGraph
Cvičení: Modelování grafových dat pomocí NetworkX
- Použití NetworkX k modelování složitého systému
Graph Computing: Grafické rámce pro dávkové zpracování
- Využití Hadoop pro ukládání (HDFS) a zpracování (MapReduce) Přehled iteračních algoritmů Hama, Giraph a GraphLab
Graph Computing: Graf-paralelní výpočet
- Sjednocení ETL, průzkumné analýzy a iterativního výpočtu grafů v rámci jednoho systému GraphX
Nastavení a instalace
- Hadoop a Spark
GraphX Operátoři
- Vlastnost, strukturální, spojení, agregace sousedství, ukládání do mezipaměti a ukládání do mezipaměti
Iterace s Pregel API
- Předávání argumentů pro odesílání, přijímání a počítání
Vytvoření grafu
- Použití vrcholů a hran v RDD nebo na disku
Navrhování Scalable algoritmů
- GraphX Optimalizace
Accessing Další algoritmy
- PageRank, Connected Components, Triangle Counting
Cvičení: Page Rank a Top Users
- Vytváření a zpracování dat grafu pomocí textových souborů jako vstupu
Nasazení do výroby
Závěrečné poznámky
Požadavky
- Pochopení programování Java a frameworků
- Obecná znalost Python je užitečná, ale není nutná
- Obecná znalost databázových konceptů
Publikum
- Vývojáři
Reference (2)
Broad coverage and deep knowledge about Semantic Web
XINJIAN GUO - Yale University
Kurz - Semantic Web Overview
Very nice training