
Italian: 
 - Ciao a tutti e benvenuti a questo video 
 nella nostra serie su Graph Data Science. 
 In questo video scopriremo 
 Libreria Neo4j Graph Data Science 
 e come mira a semplificare 
 l'esperienza di Graph Data Science. 
 Quindi prima, diamo un'occhiata a cosa 
 la tradizionale esperienza di Data Science sarebbe, 
 soprattutto quando lavoriamo con i grafici. 
 Quindi ricominciamo dal lato sinistro, 
 faremmo modellazione dei dati, proveremmo a lavorare 
 come modelleremo questi dati in un grafico. 
 Quindi forse stiamo iniziando con i dati in alcuni file flat, 
 o forse in un database relazionale, dobbiamo capirlo. 
 Costruiremo un grafico. 
 E scopriremo quale libreria 
 useremo, quali algoritmi useremo. 
 Forse stiamo usando una libreria Python, 
 potremmo di nuovo, trovare lì. 
 E forse ci sono molte biblioteche diverse 
 tra cui scegliere, non sappiamo davvero quale scegliere, 
 poi ne troviamo uno e forse non ci sono davvero documenti. 
 Scegliamo una libreria, diciamo, okay, devo andare 
 e impara la sintassi, quella nuova libreria. 
 Dobbiamo quindi assicurarci di aver modellato i nostri dati 
 nel formato giusto per lavorare in questa libreria. 
 E poi finalmente, dobbiamo analizzare i risultati 
 e capire come lo metteremo in produzione. 

English: 
- Hello, everybody, and
welcome to this video
in our series about Graph Data Science.
In this video we're going to learn about
Neo4j Graph Data Science Library
and how it aims to simplify
the Graph Data Science experience.
So first, let's have a look at what
the traditional Data
Science experience would be,
especially when we're working with graphs.
So we start over on the left hand side,
we'd be doing data modeling,
we'd be trying to work out
how we're going to shape
this data into a graph.
So perhaps we're starting with
the data in some flat files,
or maybe in a relational
database, we've got to figure out.
We're going to build a graph.
And we're going to work out which library
we're going to use, which
algorithms we're going to use.
Maybe we're using a Python libraries,
we could again, find there.
And maybe there are lots
of different libraries
to choose from, we don't
really know which one to pick,
then we find one and maybe
there aren't really any docs.
We pick a library, we're
like, Okay, I gotta go
and learn the syntax, that new library.
We then got to make sure
we've got our data shaped
into the right format
to work in this library.
And then finally, we've
got to analyze the results
and figure out how we're going
to get this into production.

Italian: 
 E quindi questo è ciò che la Neo4j Graph Data Science Library 
 e in effetti la piattaforma di scienza dei dati del grafico mira a risolvere. 
 Quindi, come abbiamo detto in un video precedente, 
 ci sono una serie di strumenti che possono aiutarci a lavorare 
 Graph Data Science. Quindi iniziamo con il database Neo4j, 
 con cui si spera avrete già familiarità. 
 Abbiamo un linguaggio di query cifrato lì. 
 E quindi questo è un prodotto che ti consente di archiviare in modo nativo 
 e query crop. Quindi questo è il fulcro del nostro 
 piattaforma di scienza dei dati grafici. 
 E poi su entrambi i lati, abbiamo due strumenti. 
 Come abbiamo a sinistra, abbiamo il file 
 Neo4j Graph Data Science Libraries, 
 questo ci consente di eseguire algoritmi di grafici di app 
 su questi dati. E poi sul lato destro, 
 non ne parleremo così tanto. 
 In questo video abbiamo Neo4j Bloom. 
 E questo è uno strumento per eseguire l'esplorazione visiva dei grafici 
 dei risultati della Graph Data Science Library. 
 Allora, qual è la Graph Data Science Library? 
 Quindi sono un paio di cose. Quindi la prima cosa è 
 è un catalogo grafico. 

English: 
And so this is what the Neo4j
Graph Data Science Library
and indeed the graph data
science platform aims to solve.
So like we talked about
in a previous video,
there are a set of tools
that can help us work with
Graph Data Science. So we
start with the Neo4j database,
which hopefully you'll be
already be familiar with.
We've got a cipher query language there.
And so this is a product that
allows you to natively store
and query crops. So that's,
that's the centerpiece of our
graph data science platform.
And then either side, we've got two tools.
As we've got on the left, we've got the
Neo4j Graph Data Science Libraries,
this is allowing us to
run app graph algorithms
over this data. And then
on the right hand side,
we're not going to be
talking about that so much.
In this video, we've got Neo4j Bloom.
And this is a tool for doing
visual graph exploration
of the results from the
Graph Data Science Library.
So what is the Graph Data Science Library?
So it's a couple of things.
So the first thing is,
it's a graph catalog.

Italian: 
 E quindi questo significa che è una versione di analisi in memoria 
 del grafico ottimizzato per l'esecuzione di carichi di lavoro di analisi 
 su di essa. E poi è un insieme di algoritmi 
 che può essere eseguito su quel grafico in memoria. 
 E quindi dobbiamo averlo nel grafico della memoria perché 
 non possiamo eseguire gli algoritmi abbastanza velocemente 
 se lo abbiamo solo in esecuzione direttamente dal database 
 si. Ed è un formato ottimizzato per fare 
 questi tipi di carichi di lavoro. 
 Quindi, come funziona? 
 Quindi ci sono due modi in cui possiamo usarlo. 
 Quindi possiamo eseguirlo in modo che venga caricato come parte dell'algoritmo 
 eseguendolo carica un grafico proiettato, 
 e quindi esegue l'algoritmo, 
 o ugualmente possiamo caricare separatamente quel grafico proiettato. 
 E poi possiamo eseguire molti algoritmi diversi fino a quando 
 probabilmente stiamo usando quello in cui stiamo caricando il file 
 grafico proiettato durante l'esecuzione dell'algoritmo 
 quando stiamo solo giocando e prendendoci la mano. 
 Ma poi una volta che saremo in produzione, lo vorremo 
 caricare quel grafico proiettato separatamente 
 e quindi eseguire i nostri algoritmi. 
 Quindi possiamo scegliere di memorizzare direttamente i risultati 
 in un Neo4j, o possiamo effettivamente aggiornare 

English: 
And so this means it's a
in-memory analytics version
of the graph optimized for
running analytics workloads
on it. And then it's a set of algorithms
that can run on that in-memory graph.
And so we need to have that
in memory graph because
we can't run the algorithms fast enough
if we have it just running
directly from the database
itself. And it's an
optimized format for doing
these types of workloads.
So how does it work?
So there are two ways that we can use it.
So we can either run it so it
load as part of the algorithm
running it loads a projected graph,
and then executes the algorithm,
or equally we can separately
load that projected graph.
And then we can run lots of
different algorithms over until
we probably be using the
one where we're loading the
projected graph while
running the algorithm
when we're just playing around
and getting the hang of it.
But then once we're in
production, we're going to want to
load that projected graph separately
and then run our algorithms over.
Then we can either choose to
store the results directly
into a Neo4j, or we can actually update

Italian: 
 il grafico in memoria stesso. 
 Quindi quali tipi di algoritmi possiamo eseguire su di esso? 
 Quindi abbiamo esaminato alcuni di questi in un video precedente. 
 Quindi ci sono cinque diversi tipi. 
 Abbiamo percorso e ricerca. Questo è: "Ehi, posso 
 trova il percorso più breve tra due luoghi? " 
 Abbiamo centralità o posso trovare i nodi importanti 
 Nel mio grafico? Abbiamo il rilevamento della comunità, che sono, 
 "Posso trovare cluster o partizioni nel mio grafico?" 
 Previsione collegamento ottenuto. Quanto è probabile che si formino i nodi 
 una relazione futura? 
 E poi abbiamo gli algoritmi di somiglianza, 
 che ci dicono quanto sono simili due nodi. 
 E così tutto questo porta a una Data Science più piacevole 
 Esperienza. Poiché abbiamo un'API semplice e standardizzata, 
 quindi tutti gli algoritmi hanno la stessa API. 
 Quindi, una volta che abbiamo imparato come usarlo per uno dei file 
 algoritmi, possiamo semplicemente riutilizzare la nostra conoscenza 
 attraverso gli altri. Ci sono documentazione 
 ed esempi di utilizzo per ciascuno degli algoritmi. 
 Quindi, se vogliamo semplicemente copiare e incollare quegli esempi 
 e poi adattarli ai nostri set di dati, possiamo farlo. 
 Le esperienze di utilizzo sono molto amichevoli. 
 Quindi se fai un errore di battitura, ti darà 
 una sorta di messaggio di errore amichevole. 

English: 
the in-memory graph itself.
So what types of algorithms
can we run on it?
So we've looked at some of
these in an earlier video.
So there are five different types.
We've got pathfinding and
search. This is, "Hey, can I
find the shortest path
between two places?"
We've got centrality or can
I find the important nodes
In my graph? We've got
community detection, which are,
"Can I find clusters or
partitions in my graph?"
Got Link Prediction. How
likely are nodes to form
a future relationship?
And then we've got the
similarity algorithms,
which tell us how alike two nodes are.
And so all of this leads to
a more pleasant Data Science
experience. As we've got
simple and standardized API,
so all of the algorithms
have the same API.
So once we've learned how
to use it for one of the
algorithms, we can just
reuse our knowledge
across the other ones.
There are documentation
and usage examples for
each of the algorithms.
So if we want to just
copy paste those examples
and then adapt them to our
own data sets, we can do that.
The usage experiences is very friendly.
So if you make a typo, it will give you
some sort of friendly error message.

English: 
We have procedures that can
compute memory management.
So you can check before you run it,
make sure you're not going
to go out of memory by
running an algorithm. And then
once we've got the results,
we can go and explore
them in a tool like Bloom
to make sure they even
make any sort of sense
before we productize it.
That's all of this leads,
hopefully we go back to
our initial slide to a simplified
Data Science experience.
So data modeling is not such a problem,
because with Neo4j today is a radiograph.
We've got easy docs to work with.
We've got algorithms
that have been validated
on big datasets, there are
tutorials to go with these.
The Neo4j syntax is
standardized and simplified,
you can reshape your data very easily
just with a simple command.
And then we can easily
write the results to Neo4j
and move it straight into production.
That's the end of this video on the
Neo4j graph Data Science Library.
Hopefully now you've got a
good understanding of how this
makes the Graph Data Science
experience much better.
And in our next video,
we're going to look at,
how we can actually go
about using this library.

Italian: 
 Abbiamo procedure in grado di calcolare la gestione della memoria. 
 Quindi puoi controllare prima di eseguirlo, 
 assicurati di non perdere la memoria 
 eseguire un algoritmo. E poi, una volta ottenuti i risultati, 
 possiamo andare ad esplorarli in uno strumento come Bloom 
 per assicurarsi che abbiano anche un senso qualsiasi 
 prima che lo produciamo. 
 Questo è tutto ciò che porta, speriamo di tornare a 
 la nostra diapositiva iniziale a un'esperienza semplificata di Data Science. 
 Quindi la modellazione dei dati non è un problema così 
 perché con Neo4j oggi è una radiografia. 
 Abbiamo documenti facili con cui lavorare. 
 Abbiamo algoritmi che sono stati convalidati 
 su grandi set di dati, ci sono tutorial da utilizzare con questi. 
 La sintassi di Neo4j è standardizzata e semplificata, 
 puoi rimodellare i tuoi dati molto facilmente 
 solo con un semplice comando. 
 E poi possiamo facilmente scrivere i risultati su Neo4j 
 e spostalo direttamente nella produzione. 
 Questa è la fine di questo video su 
 Neo4j graph Data Science Library. 
 Spero che ora tu abbia una buona comprensione di come questo 
 rende l'esperienza di Graph Data Science molto migliore. 
 E nel nostro prossimo video vedremo 
 come possiamo effettivamente utilizzare questa libreria. 
