Modelowanie danych grafowych - Nauczysz się przekładać relacje między obiektami na węzły, krawędzie i właściwości, dzięki czemu sprawnie zaprojektujesz model danych w Neo4j lub ONgDB do realnych analiz.
Pisanie zapytań CYPHER - Opanujesz składnię CYPHER w praktyce: od tworzenia danych po filtrowanie, sortowanie i traversale, aby samodzielnie budować czytelne zapytania do pracy z grafem.
Sprawne poruszanie się po grafie - Dowiesz się, jak efektywnie przechodzić przez graf i wyszukiwać powiązania, ścieżki oraz wzorce, co ułatwi Ci analizę zależności trudnych do uchwycenia w bazach relacyjnych.
Dobór algorytmów do problemu - Poznasz zastosowanie BFS, DFS, Dijkstry, PageRank i innych metod, więc łatwiej dobierzesz właściwy algorytm do analizy tras, centralności, spójności lub rekomendacji.
Wykorzystanie APOC i GDSL - Przećwiczysz użycie bibliotek APOC i GDSL, aby uruchamiać gotowe procedury oraz algorytmy grafowe i poprawnie odczytywać wyniki bez konieczności implementowania wszystkiego od zera.
Interpretacja wyników analitycznych - Nauczysz się interpretować wyniki centralności, podobieństwa czy wykrywania społeczności, dzięki czemu przełożysz liczby z algorytmów grafowych na konkretne wnioski biznesowe.
Integracja z aplikacjami - Zobaczysz, jak połączyć bazę grafową z kodem w Java i JavaScript, aby wykonywać zapytania z poziomu aplikacji i wykorzystywać dane grafowe w działających rozwiązaniach.
Praktyczne zastosowania baz grafowych - Przeanalizujesz przykłady z obszaru sieci społecznościowych, transportu i rekomendacji, więc łatwiej rozpoznasz, kiedy baza grafowa będzie lepszym wyborem niż inne modele danych.
W analizie danych bazy grafowe stają się istotne wtedy, gdy kluczowe są zależności między obiektami. Sekcja wyjaśnia znaczenie Neo4j/ONgDB, omawia architekturę platformy oraz obejmuje instalację i konfigurację tych rozwiązań bazodanowych.
CYPHER od strony praktycznej zaczyna się od zrozumienia budowy zapytań i sposobu poruszania się po relacjach. Uczestnicy tworzą węzły i połączenia, pobierają dane, stosują selekcję i filtrowanie, importują dane oraz wykonują traversowanie grafu.
Teoria grafów wyznacza aparat pojęciowy potrzebny do opisu danych jako węzłów, krawędzi i relacji. Sekcja porządkuje podstawową terminologię, rozróżnia grafy skierowane, nieskierowane, ważone i etykietowane oraz wskazuje ich zastosowania w różnych dziedzinach.
Teoretyczne podstawy analizy grafowej porządkują najważniejsze klasy algorytmów wykorzystywanych później w praktyce. Omawiane są BFS, DFS, Dijkstra, Bellman-Ford, Kruskal, Prim, silnie spójne składowe, PageRank oraz inne dobrane algorytmy grafowe.
Bardziej złożone zapytania CYPHER wymagają łączenia warunków, filtrów, sortowania i ograniczeń w spójną logikę pobierania danych. Uczestnicy tworzą zaawansowane konstrukcje w Neo4j/ONgDB, w tym zapytania służące do wyszukiwania najkrótszej ścieżki.
APOC i GDSL rozszerzają możliwości Neo4j/ONgDB o procedury oraz gotowe algorytmy przydatne w pracy analitycznej. Sekcja koncentruje się na ich praktycznym użyciu oraz na poprawnej interpretacji informacji wynikowych generowanych przez algorytmy grafowe.
Wyniki algorytmów grafowych nabierają wartości dopiero wtedy, gdy zostaną powiązane z modelem danych i celem analizy. Uczestnicy pracują nad modelowaniem danych w Neo4j/ONgDB oraz nad wykorzystaniem miar i struktur wyznaczonych przez algorytmy.
Poza podstawowymi algorytmami analiza grafowa obejmuje techniki ujawniające wpływ, strukturę i lokalne wzorce. W tej części omawiane są wzorce podgrafów, miary centralności, wykrywanie społeczności oraz użycie algorytmów grafowych w rekomendacjach.
Gdy celem jest porównanie struktur, analiza podobieństwa grafów pozwala wychwycić wspólne cechy i istotne różnice. Omawiane są metody mierzenia podobieństwa, identyfikowanie zbliżonych wzorców oraz wykorzystanie takich wyników w analizie danych.
Na przykładach widać, w jakich obszarach model grafowy najlepiej odwzorowuje dane powiązane. Sekcja obejmuje analizę relacji w sieciach społecznościowych, modelowanie dróg i tras w transporcie oraz zależności wykorzystywane w systemach rekomendacyjnych.
GraphQL zostaje osadzony w kontekście baz grafowych, ze wskazaniem różnic względem CYPHER. Uczestnicy tworzą zapytania GraphQL do pobierania danych z grafu i porównują oba języki pod kątem składni, sposobu pracy oraz typowych zastosowań.
Studium przypadku porządkuje wcześniej omawiane elementy w jeden proces analityczny, od modelu danych po interpretację wyników. Na konkretnym przykładzie pokazuje, jak Neo4j/ONgDB wspiera analizę relacji, wzorców i zależności w wybranej dziedzinie.
Java i JavaScript służą tu jako praktyczny kontekst integracji aplikacji z Neo4j/ONgDB. Uczestnicy pracują z bazą z poziomu kodu, ucząc się wykonywania zapytań oraz obsługi danych grafowych bezpośrednio w warstwie programistycznej projektu.
Podstawy baz danych - Powinieneś rozumieć, czym są rekordy, relacje, tabele lub encje oraz umieć czytać proste zapytania do bazy danych, aby łatwiej przejść do modelu grafowego.
Logiczne myślenie analityczne - Powinieneś swobodnie analizować zależności między obiektami i rozumieć schematy danych, ponieważ szkolenie obejmuje modelowanie relacji i interpretację wyników algorytmów.
Podstawy pracy z kodem - Powinieneś umieć czytać proste fragmenty kodu lub skryptów oraz rozumieć składnię poleceń, bo część zajęć obejmuje zapytania CYPHER i integrację z Java lub JavaScript.
Obsługa środowiska komputerowego - Powinieneś sprawnie poruszać się po systemie operacyjnym, instalować narzędzia i uruchamiać aplikacje, ponieważ szkolenie obejmuje konfigurację oraz pracę z Neo4j lub ONgDB.
