그래프 머신러닝(데이터 과학)

◈ 이 책의 대상 독자 ◈
이 책은 데이터 포인트를 풀고, 위상(topology) 정보를 활용해 분석과 모델의 성능을 개선하려는 데이터 분석가, 그래프 개발자, 그래프 분석가, 그래프 전문가를 대상으로 한다. 머신러닝 기반 그래프 데이터베이스를 구축하려는 데이터 과학자와 머신러닝 개발자에게도 유용하다. 그래프 데이터베이스와 그래프 데이터에 대한 초급 수준의 지식을 가지고 있는 사람이 읽기에 적합한 책이다. 이 책의 내용을 최대한 활용하기 위해서는 파이썬 프로그래밍과 머신러닝에 대한 중급 수준의 실무 지식 또한 필요하다.

◈ 이 책의 구성 ◈

1장, '그래프 시작하기'에서는 NetworkX 파이썬 라이브러리를 사용해 그래프 이론의 기본 개념을 소개한다.
2장, '그래프 머신러닝'에서는 그래프 머신러닝과 그래프 임베딩 기술의 주요 개념을 소개한다.
3장, '그래프 비지도 학습'에서는 비지도 그래프 임베딩의 최신 방법을 다룬다.
4장, '그래프 지도 학습'에서는 지도 그래프 임베딩의 최신 방법을 다룬다.
5장, '그래프에서의 머신러닝 문제'에서는 그래프에서 가장 일반적인 머신러닝 작업을 소개한다.
6장, '소셜 네트워크 그래프'에서는 분석 소셜 네트워크 데이터에 머신러닝 알고리듬을 적용하는 방법을 소개한다.
7장, '그래프를 사용한 텍스트 분석 및 자연어 처리'에서는 자연어 처리 작업에 머신러닝 알고리듬을 적용하는 방법을 소개한다.
8장, '신용카드 거래에 대한 그래프 분석'에서는 신용카드 부정 거래 탐지에 머신러닝 알고리듬을 적용하는 방법을 소개한다.
9장, '데이터 드리븐 그래프 기반 응용 프로그램 구축'에서는 큰 그래프를 처리하는 데 유용한 몇 가지 기술을 소개한다.
10장, '그래프의 새로운 트랜드'에서는 그래프 머신러닝의 몇 가지 새로운 동향(알고리듬과 응용 프로그램)을 소개한다.

◈ 옮긴이의 말 ◈
처음 접하는 이들에게는 그래프 데이터가 어렵게 느껴질 수 있다. 하지만 그래프 데이터는 우리의 일상과 친숙해질 수 있는 데이터 형식이다. 사회는 복잡한 관계의 연속으로 구성되는데, 노드와 간선으로 표현되는 그래프 데이터는 이러한 관계의 표현을 가장 잘 나타낼 수 있는 데이터 형식이다. 관계 표현을 가장 쉽게 할 수 있다는 강점이 있어 최근에는 그래프 형식으로 데이터를 저장하는 데이터베이스 등이 각광받고 있다.
이 책은 그래프 데이터를 다루기 위한 아주 기본적인 것들로 시작해서, 실생활에 적용할 수 있는 예시를 통해 보다 쉬운 이해를 제공한다. 예시를 통해서 그래프 데이터를 다루는 기본기를 쌓고, 머신 러닝 알고리즘들을 활용해 고급 응용 스킬들을 배워볼 수 있다. 단순히 이론적인 설명에서 끝나는 것이 아니라 실제 서비스에 필요한 기본 지식들을 소개한다는 점에서 훌륭한 책이다. 물론 나와있는 내용만으로 그래프 머신 러닝 전문가가 될 수 있다고는 할 수 없을 것이다. 그러나 훌륭한 시작을 함께하기 위해 좋은 책이라고 생각한다.
이 책에서는 보다 복잡한 설명이나 심도 있는 이해가 필요한 부분에 참고할 만한 자료들에 대한 소개가 나와있다. 이러한 참고 자료들을 찾아보고 스스로 새로운 문제를 해결하기 위해 노력해보기를 꼭 권장한다. 이러한 노력이 인공지능 연구의 선도자가 되는 길이라고 생각한다.

1부. 그래프 머신러닝 소개
2부.
1장. 그래프 시작하기
__기술적 필요 사항
__networkx로 그래프 이해하기
____그래프의 종류
____그래프 표현
__그래프 플로팅
____networkx
____Gephi
__그래프 속성
____통합 측정 지표
____분리 측정 지표
____중심성 측정 지표
____탄력성 측정 지표
__벤치마크 및 저장소
____간단한 그래프의 예
____그래프 생성 모델
____벤치마크
__큰 그래프 다루기
__요약

2장. 그래프 머신러닝
__기술적 필요 사항
__그래프 머신러닝 이해하기
____머신러닝의 기본 원리
____그래프 머신러닝의 이점
__일반화된 그래프 임베딩 문제
__그래프 임베딩 머신러닝 알고리듬의 분류
____임베딩 알고리듬의 분류
__요약

2부. 그래프에서의 머신러닝

3장. 비지도 그래프 학습
__기술적 필요 사항
__비지도 그래프 임베딩 로드맵
__얕은 임베딩 방법
____행렬 분해
____그래프 분해
____고차 근접 보존 임베딩
____전역 구조 정보를 통한 그래프 표현
____skip-gram
____DeepWalk
____Node2Vec
____Edge2Vec
____Graph2Vec
__오토인코더
____텐서플로와 케라스-강력한 조합
____첫 번째 오토인코더
____노이즈 제거 오토인코더
____그래프 오토인코더
__그래프 신경망
____GNN의 변형
____스펙트럼 그래프 합성곱
____공간 그래프 합성곱
____예제로 보는 그래프 합성곱
__요약

4장. 지도 그래프 학습
__기술적 필요 사항
__지도 그래프 임베딩 로드맵
__특징 기반 방법
__얕은 임베딩 방법
____라벨 전파 알고리듬
____라벨 확산 알고리듬
__그래프 정규화 방법
____매니폴드 정규화 및 준지도 임베딩
____신경 그래프 학습
____Planetoid
__Graph CNN
____GCN을 이용한 그래프 분류
____GraphSAGE를 이용한 노드 분류
__요약

5장. 그래프에서의 머신러닝 문제
__기술적 필요 사항
__그래프에서 누락된 링크 예측
____유사성 기반 방법
____임베딩 기반 방법
__커뮤니티와 같은 의미 있는 구조 감지
____임베딩 기반 커뮤니티 감지
____스펙트럼 방법 및 행렬 분해
____확률 모델
____비용 함수 최소화
__그래프 유사성 및 그래프 매칭 감지
____그래프 임베딩 기반 방법
____그래프 커널 기반 방법
____GNN 기반 방법
____응용
__요약

3부. 그래프 머신러닝의 고급 응용

6장. 소셜 네트워크 그래프
__기술적 필요 사항
__데이터셋 개요
____데이터셋 다운로드
____networkx로 데이터셋 불러오기
__네트워크 토폴로지 및 커뮤니티 감지
____토폴로지 개요
____노드 중심성
____커뮤니티 감지
__지도 및 비지도 임베딩
____작업 준비
____node2vec 기반 링크 예측
____GraphSAGE 기반 링크 예측
____링크 예측을 위한 수작업 특징
____결과 요약
__요약

7장. 그래프를 이용한 텍스트 분석 및 자연어 처리
__기술적 필요 사항
__데이터셋 개요
__자연어 처리에서 사용되는 주요 개념 및 도구 이해
__문서 모음에서 그래프 만들기
____지식 그래프
____이분 문서/개체 그래프
__문서 주제 분류기 구축
____얕은 학습 방법
____그래프 신경망
__요약

8장. 신용카드 거래에 대한 그래프 분석
__기술적 필요 사항
__데이터셋 개요
____데이터셋 불러오기 및 networkx 그래프 구축
__네트워크 토폴로지 및 커뮤니티 감지
____네트워크 토폴로지
____커뮤니티 감지
__사기 탐지를 위한 지도 및 비지도 임베딩
____사기 거래 식별에 대한 지도 학습 접근 방식
____사기 거래 식별에 대한 비지도 학습 접근 방식
__요약

9장. 데이터 드리븐 그래프 기반 응용 프로그램 구축
__기술적 필요 사항
__람다 아키텍처 개요
__그래프 기반 응용 프로그램을 위한 람다 아키텍처
____그래프 처리 엔진
____그래프 쿼리 레이어
____Neo4j와 GraphX 선택
__요약

10장. 그래프의 새로운 트렌드
__그래프의 데이터 증대에 대해 알아보기
____샘플링 전략
____데이터 증강 기술 살펴보기
__토폴로지 데이터 분석에 대해 배우기
____토폴로지 머신러닝
__새로운 영역에 그래프 이론 적용하기
____그래프 머신러닝 및 신경 과학
____그래프 이론 및 화학 및 생물학
____그래프 머신러닝 및 컴퓨터 비전
__추천 시스템
__요약

클라우디오 스타밀레 (Claudio Stamile)
2013년 9월 이탈리아 칼라브리아 대학(University of Calabria)에서 컴퓨터 공학 석사 학위를 받았으며, 2017년 9월 벨기에 뢰번 가톨릭 대학(KU Leuven) 및 프랑스 끌로드 베흐노리용 1 대학(Universit? Claude Bernard Lyon 1)에서 공동 박사 학위를 받았다. 석박사 학위 과정 동안 생물 의학 분야를 전공하면서 인공지능, 그래프 이론, 머신러닝에 관해 탄탄한 배경 지식을 쌓았다. 현재 최상위 고객이 데이터 기반 전략을 구현하고 인공지능 기반 솔루션을 구축해 효율성을 높이고 새로운 비즈니스 모델을 수행하도록 지원하는 컨설팅 회사인 CGnal의 선임 데이터 과학자다.