Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Amazon Neptune ML für Machine Learning anhand von Diagrammen
<a name="machine-learning"></a>

Große verbundene Datensätze enthalten häufig wertvolle Informationen, die nur schwer mit Abfragen extrahiert werden können, die allein auf menschlicher Intuition basieren. Machine-Learning (ML)-Techniken können helfen, in Diagrammen mit Milliarden von Beziehungen verborgene Korrelationen zu finden. Diese Korrelationen können nützlich sein, um Produkte zu empfehlen, die Kreditwürdigkeit vorherzusagen, Betrugsfälle zu erkennen und mehr.

Das Neptune-ML-Feature ermöglicht das Erstellen und Trainieren nützlicher Machine-Learning-Modelle anhand großer Diagramme in wenigen Stunden statt in Wochen. [Um dies zu erreichen, verwendet Neptune ML die Graph Neural Network (GNN) -Technologie, die von [Amazon SageMaker AI](https://aws.amazon.com/sagemaker/) und der [Deep Graph Library (DGL) (Open Source)](https://www.dgl.ai/) unterstützt wird.](https://github.com/dmlc/dgl/) Graph Neural Networks sind ein neues Feld in der künstlichen Intelligenz (siehe Umfassende Übersicht über Graph Neural Networks). Ein praktisches Tutorial zur Verwendung GNNs mit DGL finden Sie unter [Lernen neuronaler Graphennetzwerke mit der Deep Graph Library](https://www.amazon.science/videos-webinars/learning-graph-neural-networks-with-deep-graph-library).

**Anmerkung**  
Diagrammeckpunkte werden in Neptune-ML-Modellen als „Knoten“ bezeichnet. Beispielsweise verwendet die Eckpunktklassifizierung ein Machine-Learning-Modell für die Knotenklassifizierung. Die Eckpunktregression verwendet ein Knotenregressionsmodell.

## Fähigkeiten von Neptune ML
<a name="machine-learning-capabilities"></a>

Neptune unterstützt sowohl die transduktive Inferenz, die Vorhersagen zurückgibt, die während des Trainings anhand der Diagrammdaten vorab berechnet wurden, und die induktive Inferenz, die Datenverarbeitung und Modellauswertung in Echtzeit basierend auf aktuellen Daten ausführt und zurückgibt. Siehe [Der Unterschied zwischen induktiver und transduktiver Inferenz](machine-learning-overview-evolving-data.md#inductive-vs-transductive-inference).

Neptune ML kann Machine-Learning-Modelle zur Unterstützung von fünf verschiedenen Inferenzkategorien trainieren:

**Arten der zurzeit von Neptune ML unterstützten Inferenzaufgaben**
+ **Knotenklassifizierung**   –   Vorhersage des kategorischen Features einer Eckpunkteigenschaft.

  Beispielsweise kann Neptune ML für den Film *Die Verurteilten* dessen `genre`-Eigenschaft als `story` vorhersagen, basierend auf einem Satz mit den Kandidaten `[story, crime, action, fantasy, drama, family, ...]`.

  Es gibt zwei Arten von Aufgaben zur Knotenklassifizierung:
  + **Einzelklassenklassifizierung**: Bei dieser Art von Aufgabe besitzt jeder Knoten nur ein Ziel-Feature. Beispielsweise hat die Eigenschaft `Place_of_birth` von `Alan Turing` den Wert `UK`.
  + **Mehrklassenklassifizierung**: Bei dieser Art von Aufgabe besitzt jeder Knoten mehr als ein Ziel-Feature. Beispielsweise hat die Eigenschaft `genre` des Films *Der Pate* die Werte `crime` und `story`.
+ **Knotenregression**   –   Vorhersage einer numerischen Eigenschaft eines Eckpunkts.

  Beispielsweise kann Neptune ML für den Film *Avengers: Endgame* vorhersagen, dass dessen Eigenschaft `popularity` den Wert `5.0` hat.
+ **Kantenklassifizierung**   –   Vorhersage des kategorischen Features einer Kanteneigenschaft.

  Es gibt zwei Arten von Aufgaben zur Kantenklassifizierung:
  + **Einzelklassenklassifizierung**: Bei dieser Art von Aufgabe besitzt jede Kante nur ein Ziel-Feature. Eine Bewertungskante zwischen einem Benutzer und einem Film könnte beispielsweise die Eigenschaft `liked` mit dem Wert „Ja“ oder „Nein“ haben.
  + **Mehrklassenklassifizierung**: Bei dieser Art von Aufgabe besitzt jede Kante mehr als ein Ziel-Feature. Beispielsweise kann eine Bewertungskante zwischen einem Benutzer und einem Film mehrere Werte für das Eigenschafts-Tag haben, z. B. „Lustig“, „Herzerwärmend“, „Entspannend“ usw.
+ **Kantenregression**   –   Vorhersage einer numerischen Eigenschaft einer Kante.

  Beispielsweise könnte eine Bewertungskante zwischen einem Benutzer und einem Film die numerische Eigenschaft `score` haben, für die Neptune ML einen Wert anhand eines Benutzers und eines Films vorhersagen könnte.
+ **Linkvorhersage**   –   Vorhersage der wahrscheinlichsten Zielknoten für einen bestimmten Quellknotens und eine bestimmte ausgehende Kante oder der wahrscheinlichsten Quellknoten für einen bestimmten Zielknoten und eine bestimmte eingehende Kante.

  Beispielsweise kann Neptune ML anhand eines Arzneimittel-Erkrankung-Wissensdiagramms anhand von `Aspirin` als Quellknoten und `treats` als ausgehende Kante die relevantesten Zielknoten als `heart disease`, `fever` usw. vorhersagen.

  Neptune ML kann auch anhand des Wikimedia-Wissensdiagramms mit `President-of` als Kante oder Beziehung und `United-States` als Zielknoten die relevantesten Köpfe als `George Washington`, `Abraham Lincoln`, `Franklin D. Roosevelt` usw. vorhersagen.

**Anmerkung**  
Knotenklassifizierung und Kantenklassifizierung unterstützen nur Zeichenfolgenwerte. Das bedeutet, dass numerische Eigenschaftswerte wie `0` oder `1` nicht unterstützt werden, auch wenn die Zeichenfolgenäquivalente `"0"` und `"1"` unterstützt werden. Ähnlich funktionieren die booleschen Eigenschaftswerte `true` und `false` nicht, während `"true"` und `"false"` funktionieren.

Mit Neptune ML können Sie Machine-Learning-Modelle verwenden, die zu zwei allgemeinen Kategorien gehören:

**Arten von Machine-Learning-Modellen, die Neptune ML zurzeit unterstützt**
+ **Graph Neural Network (GNN) -Modelle** — Dazu gehören [Relational Graph Convolutional Networks](https://arxiv.org/abs/1703.06103) (R-). GCNs GNN-Modelle funktionieren für alle drei oben genannten Aufgabentypen.
+ **Knowledge-Graph-Embedding (KGE)-Modelle**   –   Dies umfasst `TransE`-, `DistMult`- und `RotatE`-Modelle. Sie funktionieren nur für Linkvorhersagen.

**Benutzerdefinierte Modelle**   –   Mit Neptune ML können Sie auch für alle oben genannten Aufgabentypen eine eigene benutzerdefinierte Modellimplementierung bereitstellen. Sie können Ihre Python-basierte benutzerdefinierte Modellimplementierung mit dem [Neptune-ML-Toolkit](https://github.com/awslabs/neptuneml-toolkit) entwickeln und testen, bevor Sie die Neptune-ML-Trainings-API mit Ihrem Modell verwenden. Einzelheiten dazu, wie Sie Ihre Implementierung strukturieren und organisieren können, damit sie mit der Neptune-ML-Trainingsinfrastruktur kompatibel ist, finden Sie unter [Benutzerdefinierte Modelle in Neptune ML](machine-learning-custom-models.md).