{"id":15963,"date":"2020-04-20T11:13:00","date_gmt":"2020-04-20T09:13:00","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=15963"},"modified":"2020-04-09T10:16:51","modified_gmt":"2020-04-09T08:16:51","slug":"enterprise-framework-fuer-data-scientists","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=15963","title":{"rendered":"Enterprise Framework f\u00fcr Data Scientists"},"content":{"rendered":"\n<p>Ab sofort ist Neo4j for Graph Data Science verf\u00fcgbar. Dieses Framework sorgt f\u00fcr native Graphenanalytik in Verbindung mit einer Graphdatenbank und Visualisierungsfunktionen sowie skalierbaren Graph-Algorithmen. Es handelt sich also um ein Toolset, mit dem Data Scientists vernetzte Daten analysieren und Machine-Learning-Modelle erstellen k\u00f6nnen.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"683\" src=\"https:\/\/www.sysbus.eu\/wp-content\/uploads\/2020\/04\/PR-GDS-Pillars_deutsch-scaled-1-1024x683.png\" alt=\"\" class=\"wp-image-15964\" srcset=\"https:\/\/www.sysbus.eu\/wp-content\/uploads\/2020\/04\/PR-GDS-Pillars_deutsch-scaled-1-1024x683.png 1024w, https:\/\/www.sysbus.eu\/wp-content\/uploads\/2020\/04\/PR-GDS-Pillars_deutsch-scaled-1-300x200.png 300w, https:\/\/www.sysbus.eu\/wp-content\/uploads\/2020\/04\/PR-GDS-Pillars_deutsch-scaled-1-768x512.png 768w, https:\/\/www.sysbus.eu\/wp-content\/uploads\/2020\/04\/PR-GDS-Pillars_deutsch-scaled-1.png 1200w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption>Neo4j for Graph Data Science Toolset (Quelle: Neo4j)<\/figcaption><\/figure>\n\n\n\n<!--more-->\n\n\n\n<p>Mit Neo4j for Graph Data Science ziehen Anwender aussagekr\u00e4ftige, aber bislang weitgehend ungenutzte Beziehungen und Netzwerkstrukturen f\u00fcr ihre Analysen heran. Anwendungsf\u00e4lle reichen von der eindeutigen Nachverfolgung von Webseiten-Besuchern \u00fcber mehrere Plattformen und Touchpoints hinweg bis zur Betrugsaufdeckung auf Grund verd\u00e4chtiger Datenmuster oder der Erforschung von Krankheiten und ihren Behandlungsm\u00f6glichkeiten.<\/p>\n\n\n\n<p>Das Framework bietet Data Scientists eine leistungsstarke und praxistaugliche Arbeitsumgebung: Die native und persistente Modellierung erm\u00f6glicht die flexible Projektion von In-Memory-Graphen. Dank des Visualisierungstools Neo4j Bloom k\u00f6nnen die Ergebnisse anschaulich dargestellt und geteilt werden, wodurch L\u00f6sungen schneller entwickelt werden k\u00f6nnen. Skalierbare Graph-Algorithmen lassen sich zudem in reproduzierbare Abl\u00e4ufe integrieren und erlauben datenbasierte Vorhersagen. Dazu geh\u00f6ren 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 f\u00fcr topologische Mustererkennung.<\/p>\n\n\n\n<p>Weitere Informationen: <a href=\"https:\/\/neo4j.com\/\">https:\/\/neo4j.com<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Ab sofort ist Neo4j for Graph Data Science verf\u00fcgbar. Dieses Framework sorgt f\u00fcr native Graphenanalytik in Verbindung mit einer Graphdatenbank und Visualisierungsfunktionen sowie skalierbaren Graph-Algorithmen. Es handelt sich also um ein Toolset, mit dem Data Scientists vernetzte Daten analysieren und Machine-Learning-Modelle erstellen k\u00f6nnen.<\/p>\n","protected":false},"author":3,"featured_media":15964,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[10141,4],"tags":[13484,1857,13483,13485,8767,7683,7216,8120],"class_list":["post-15963","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-hintergrund","category-news","tag-data-scientist","tag-datenbank","tag-enterprise-framework","tag-graph-data-science","tag-machine-learning","tag-neo4j","tag-toolset","tag-visualisierung"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/15963","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=15963"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/15963\/revisions"}],"predecessor-version":[{"id":15965,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/15963\/revisions\/15965"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/15964"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=15963"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=15963"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=15963"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}