Graph-Powered Machine Learning

Guía técnica de Manning escrita por Alessandro Negro (científico jefe de GraphAware), que enseña a explotar el valor intrínseco de las relaciones y la topología de red para multiplicar la capacidad predictiva de los modelos de aprendizaje automático. El libro argumenta que aplanar datos conectados en tablas aisladas elimina el contexto relacional, y propone integrar bases de datos de grafos nativas con canalizaciones estándar de machine learning en Python. Está dirigido a científicos de datos, ingenieros de software y arquitectos de soluciones de nivel intermedio que conocen Python y algoritmos clásicos de ML, y desean resolver problemas complejos de recomendación, fraude y semántica conectando entidades.

El recorrido formativo profundiza en la ingeniería de datos en grafos y las consultas con Cypher sobre la base de datos Neo4j. Enseña a extraer atributos estructurales mediante algoritmos de grafos como PageRank, centralidad de intermediación, detección de comunidades con Louvain y similitudes basadas en vecindad. El núcleo de la obra se concentra en tres grandes aplicaciones empresariales: motores de recomendación (filtrado colaborativo, basado en contenido, basado en sesiones y modelos híbridos sensibles al contexto), detección de fraude financiero y anillos delictivos mediante algoritmos de proximidad y análisis de redes sociales (SNA), y procesamiento de lenguaje natural (NLP) con grafos para la extracción de entidades y construcción de grafos de conocimiento (Knowledge Graphs). Utiliza herramientas como Neo4j, Cypher, Python, scikit-learn, NetworkX y spaCy.

Se aprende construyendo sistemas integrales y reproducibles: un motor de recomendación híbrido multivariable, un detector de transacciones fraudulentas sobre grafos financieros y una canalización que transforma textos no estructurados en grafos de conocimiento consultables. Es una obra pionera que aterriza el Graph Machine Learning en casos prácticos y viables para la industria sin perderse en abstracciones académicas. Deja fuera el entrenamiento especializado de redes neuronales de grafos (Graph Neural Networks o GNNs) mediante librerías como PyG o DGL, ya que se centra en algoritmos de grafos y modelos tabulares enriquecidos. Conviene tener conocimientos básicos de bases de datos y familiaridad con el ecosistema de scikit-learn.