Introduction

GDBMS(Graph Database Management System)의 한 종류

1. 노드(Node)와 노드 사이의 관계(Relationship)로 데이터를 표현하며, 각 노드는 속성(Properties)을 가질 수 있다.
2. Cypher 라는 그래프 쿼리 언어를 제공하여 그래프 데이터를 질의, 조작하는 데 사용된다. 또한 트랜잭션을 지원하며, 확장 가능한 아키텍처를 통해 대규모 데이터 세트를 처리할 수 있다.

이러한 특징들로 관계형 데이터베이스보다 더 복잡한 연결성을 가진 데이터를 다루는 데 적합하며, 실시간 네트워크 및 그래프 분석에 유용하다.

그래프의 구조

Neo4j 는 속성 그래프 데이터베이스 모델을 사용한다.

구조는 관계로 연결될 수 있는 노드로 구성된다. 위의 그림에는 세 개의 노드(원)와 세 개의 관계(화살표)가 표시되어 있다.

Example graph

CREATE (:Person:Actor {name: 'Tom Hanks', born: 1956})-[:ACTED_IN {roles: ['Forrest']}]->(:Movie {title: 'Forrest Gump', released: 1994})<-[:DIRECTED]-(:Person {name: 'Robert Zemeckis', born: 1951})

그래프의 구성 요소에는 크게 Node 와 Relationship 가 있으며, 추가적인 정보를 위해 Property(key-value 쌍)를 가질 수 있다, 또한 Label 을 통해 Node 를 그룹핑 할 수 있다.

Node(노드)

Database 에서 구조적으로 의미있는 단일 개체를 나타낸다. 고유한 식별자(ID)를 가지며, 라벨(Label)로 그룹화된다. 라벨은 노드 유형을 나타낸다.

Cypher 쿼리에서 (n:노드명)으로 표현한다.

ex) Label: 사용자 / Node: 이름, 나이

CREATE (:Name:User {birth:2001, nationality: South Korea})

Relationship(관계)

노드 간의 연결을 정의하는 데 사용된다. 또한 방향성을 가질 수 있다.

Cypher 쿼리에서 [r:관계명]으로 표현한다.

ex) - 사용자(Node) -> 구매(Relationship) <- 제품(Node) - 양방향: 친구 / 단방향: 팔로우

CREATE (:User)-[:PURCHASE]->(:Product)

Property(속성)

노드와 관계에 대한 추가적인 정보 제공 데이터를 세부적으로 설명하고 쿼리하는데 유용한 key-value 쌍이다.

int, float, string, boolean 의 다양한 데이터 타입으로 표현이 가능하며, list를 사용하기도 한다.

ex) - Relationship: 구매 / Property: 구매 날짜, 수량 - Node: 이름 / Property: 생년월일, 국적

CREATE (:Example {f: [1, 2, 3], g: [2.71, 3.14], h: ['abc', 'example'], i: [true, true, false]})

Naming conventions

대소문자를 구분한다. ( User is not user )

Node label

• 대문자로 시작하는 Camel case Upper Camel case : VehicleOwner

Relationship

• 대문자, 단어 간 밑줄 사용 Upper case, underscore : OWNS_VEHICLE

Property

• 소문자로 시작하는 Camel case Lower camel case: firstName

참고 https://neo4j.com/docs/getting-started/appendix/graphdb-concepts/

MacBook 키보드 기호

• Command(⌘): 단축키에 사용되는 가장 기본적인 키
• 제어(^): 시스템 수준 명령에 자주 사용되는 키
• 옵션(⌥): 흔히 키보드에서 Alt를 담당하는 키
• Shift(⇧): 흔히 키보드에서 대문자를 쓸 때 사용하는 Shift 키의 Mac 버전
• 기능(fn): 일반 키보드에서 맨 윗줄 키(F1~F12)의 보조 기능에 사용되는 키

맥북 단축키

Windows의 Ctrl = Mac의 Command Windows의 Alt = Mac의 Option

텍스트

화면

Finder(파인더) 단축키

화면 스크린샷 단축키

정리를 하다보니 처음 접하는 유용한 단축 키를 많이 알게 되었다. 앞으로 작업하며 단축키를 생활화하여 맥북의 활용도를 높혀야겠다.

머신러닝

지도 학습의 양대산맥인 분류(Classification)와 회귀(Regression)에 대해 이야기 해보려고 한다.

지도 학습

머신러닝 알고리즘은 크게 지도 학습(supervised learning)과 비지도 학습(unsupervised learning), 강화 학습(Reinforcement learning)으로 나눌 수 있다.

지도 학습은 데이터(입력)와 정답(타깃)을 가지고 모델이 정답을 맞힐 수 있도록 훈련하는 것인데, 훈련을 위해서는 입력 값과 타깃 값이 반드시 필요하다.

회귀(Regression)와 분류(Classification)는 데이터의 타입이 numerical(연속형)이냐, categorical(범주형)이냐에 따라 달라진다. 또한 종속변수와 독립변수가 사용되는데 개념을 설명하자면,

• 독립 변수: 다른 변수에 영향을 미치는 변수
• 종속 변수: 다른 변수들에 영향을 받는 변수

아래의 예시를 통해 이해해보자!

Classification (분류)

입력 데이터를 미리 정의된 여러 개의 클래스(class) 중 하나로 분류하는 것

문자를 스팸으로 구분하는 것을 예시로 들 수 있다. 여러 가지 메일과 발송 기관 등을 샘플로 훈련하여 스팸메일인지 아닌지를 분류할 수 있도록 훈련되어야 한다.

• 독립변수: 메일 발신일, 발송 기관
• 종속변수: 스팸 메일 여부
• 훈련 데이터: 메일 구분

스팸 메일 분류, 손글씨 숫자 인식, 질병 진단 등 주어진 입력 데이터를 이산적인 카테고리(범주형)로 분류하기 위해 사용된다.

분류 알고리즘

• 로지스틱 회귀(Logistic Regression)
• 나이브 베이즈(Naive Bayes)
• 결정 트리(Decision Tree)
• 서포트 벡터 머신(Support Vector Machine)
• K-최소 근접(K-Nearest Neighbor) 알고리즘
• 심층 신경망(Deep Neural Network)
• 앙상블 학습(Ensemble Learning)

Regression (회귀)

입력 데이터와 연속적인 출력 변수 간의 관계를 모델링하는 것

특성을 사용하여 타깃의 수치를 예측하는 방법이다.

학생들의 나이에 따른 키의 기록을 예로 들 수 있다.

• 독립변수: 나이
• 종속변수: 키
• 훈련 데이터: 학생들의 나이에 따른 키 기록

학생들의 키 예측, 주택 가격 예측, 판매량 예측, 온도 예측 등 연속적인 값을 예측하는 경우에 회귀를 사용한다.

회귀 알고리즘

• 단순 선형 회귀(Simple Linear Regression)
• 경사 하강법(Gradient Descent)
• 다항 회귀(Polynomial Regression)
• 규제 모델(Regularization)
  • 릿지 회귀(Ridege Regression)
  • 라쏘 회귀(Lasso Regression)
  • 엘라스틱넷 회귀(Elastic Net Regression)
• 회귀 트리(Regression Tree)