随身听第23期：TigerGraph 机器学习工作台 （Machine Learning Workbench）
今天我们要介绍的是TigerGraph全新推出的机器学习工作台。在开始介绍之前，我们先简单了解一下为什么要使用机器学习。

为什么要使用机器学习？

所谓的监督机器学习就是试图做出模型，在一切还未知的时候预测事件的当前状态，或者试图预测未来会发生什么，如果你能从当前的数据中提取出更多的数据来更好地理解它，你就能做出更准确的预测。通常，人们利用它来进行产品推荐、优化运营、欺诈检测和预防其他犯罪活动。因此有很多方法可以使用机器学习。

那么什么是TigerGraph 机器学习工作台？又能用它来做些什么呢？

TigerGraph 机器学习和人工智能副总裁 Victor Lee 在采访中提到：“图技术已被证明可以加速和改进机器学习和性能，但事实是，对于许多数据科学家来说，使用 API 和库来实现这一目标的学习曲线非常陡峭。因此，我们创建了机器学习工作台，在数据科学家与图机器学习 API 和库之间提供一个新的功能层，以促进数据存储和管理、数据准备和机器学习训练。 事实上，我们已经看到早期采用者通过使用机器学习工作台和 TigerGraph图数据库，他们的机器学习模型的准确性提高了 10% 到 50%。”
TigerGraph 机器学习工作台（ML Workbench）是一个基于Jupyter的Python开发框架，可以使数据科学家，人工智能和机器学习的从业者更容易、也更熟悉地使用图分析，而无需学习很多新的数据处理方式。
数据科学家可以使用TigerGraph 机器学习工作台，更快速地构建图神经网络 (GNN) 模型，轻松探索图神经网络（GNN）。它提供了 Python 级别强大而高效的数据管道，将数据从 TigerGraph 流式传输到用户的机器学习系统，执行常见的数据处理任务，例如对图数据集的训练、验证和测试，以及各种子图采样方法。

易于训练的图神经网络（GNN）

当数据之间存在明确定义的关系时，图神经网络往往优于其它机器学习技术，因为它直接对图数据的连通性进行建模。从最近的研究来看，图神经网络已经证明了它在各种业务领域和应用程序中的成功。
借助 TigerGraph 机器学习工作台，您现在可以轻松探索图神经网络在您领域中的潜力。TigerGraph机器学习工作台专门用于处理企业级数据，其中内置的子图抽样，图数据处理，用于准备训练、验证、测试图数据集等功能，更是可以帮助用户在大型图上轻松训练图神经网络，而无需强大的机器。

如何使用TigerGraph机器学习工作台？

而想要开始使用TigerGraph机器学习工作台也非常简单。如果您想使用本地版本，只需到我们的官网下载该产品，TigerGraph 机器学习工作台旨在与您现有的机器学习框架和基础架构集成工作。并与市场上主流的机器学习框架兼容，例如PyTorch Geometric、Deep Graph Library (DGL)和TensorFlow等，用户可以灵活地选择其最熟悉的框架。
TigerGraph机器学习工作台还可以即插即用，既可以插入您现有的本地基础设施，也可以与您云端的机器学习框架整合，比如 Amazon SageMaker、Google Vertex AI，以及Microsoft Azure Machine Learning。
为了帮助大家快速上手，我们准备了教程和技术文档。同时还有可以为您提供帮助的顾问，如果您想对比同样的项目任务使用图技术和现有方法哪个更好，欢迎试用我们的产品进行比较。当然，我们也期待看到更多新的用例，一些新的案例取得的效果令人非常惊喜。
点击下方按钮，了解更多TigerGraph机器学习工作台。
TigerGraph机器学习工作台

相关资源

TigerGraph Blog

分类

最新帖子