머신러닝을 위한 그래프 이론
노드, 간선, 인접 행렬, 그래프 유형, 그래프 특성, 소셜 네트워크 표현을 다룹니다.
머신러닝을 위한 그래프 이론은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 1번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.
그래프란 무엇인가요
그래프는 개체와 개체 사이의 관계를 모델링합니다. 형식적으로 그래프는 G = (V, E)이며, V는 정점(노드)의 집합이고 E는 노드 쌍을 연결하는 엣지의 집합입니다. 많은 실제 시스템은 자연스럽게 그래프 형태를 이룹니다.
노드와 엣지
각 노드는 개체(사용자, 원자, 웹 페이지)를 나타냅니다. 각 엣지는 관계(친구 관계, 화학 결합, 하이퍼링크)를 나타냅니다. 그래프 머신러닝은 고립된 샘플만이 아니라 이러한 연결 구조에서 학습합니다.
인접 행렬
인접 행렬 A는 어떤 노드들이 연결되어 있는지를 나타냅니다. n개의 노드가 있으면 A는 n×n 행렬이며, 엣지가 노드 i와 노드 j를 연결할 때 A[i][j] = 1이고, 그렇지 않으면 0입니다.
import numpy as np
# Triangle: 0-1, 1-2, 0-2
A = np.array([
[0, 1, 1],
[1, 0, 1],
[1, 1, 0],
])노드 특성 X
구조 외에도 각 노드는 보통 특성 벡터를 가집니다. 이를 차례로 쌓으면 (노드 수, 특성 수) 형태의 특성 행렬 X가 됩니다. 소셜 그래프에서는 한 행에 사용자의 나이, 게시물 수, 계정 생성 후 경과 기간이 들어갈 수 있습니다.
X = np.array([
[25, 120, 3.0], # node 0
[31, 45, 5.5], # node 1
[22, 300, 1.2], # node 2
])차수 행렬
노드의 차수는 해당 노드에 연결된 엣지의 수입니다. 차수 행렬 D는 대각 행렬이며, 각 대각 원소는 해당 노드의 차수와 같습니다. 차수 행렬은 그래프 라플라시안의 기본 구성 요소입니다.
D = np.diag(A.sum(axis=1))
# Each diagonal entry = number of neighbors그래프 라플라시안
그래프 라플라시안은 L = D - A로 정의됩니다. 연결된 노드 사이의 값이 어떻게 다른지를 나타내며, 스펙트럴 그래프 이론과 다양한 GNN 공식의 핵심입니다.
L = D - A
print(L)라플라시안이 중요한 이유
라플라시안의 고유값과 고유 벡터는 연결성, 군집, 평활성과 같은 전역 구조를 드러냅니다. 그래프 합성곱은 라플라시안에서 유도되는 경우가 많으므로 L = D - A를 이해하는 것은 GNN을 이해하는 데 중요합니다.
방향 그래프와 무방향 그래프
무방향 그래프에서는 엣지에 방향이 없으므로(친구 관계) A가 대칭입니다. 방향성 그래프에서는 엣지가 한쪽 방향을 가리키므로(팔로워 관계, 인용) A가 비대칭일 수 있습니다. 즉, A[i][j]는 A[j][i]와 다를 수 있습니다.
# Directed: 0 -> 1 but not 1 -> 0
A_dir = np.array([
[0, 1, 0],
[0, 0, 1],
[0, 0, 0],
])가중 그래프
엣지에는 강도나 거리를 나타내는 가중치가 포함될 수 있습니다. 그러면 인접 행렬의 원소는 단순한 0/1이 아니라 실수가 됩니다. 도로 네트워크에서는 이동 시간을 기준으로 엣지에 가중치를 부여할 수 있고, 유사도 그래프에서는 코사인 유사도를 사용할 수 있습니다.
엣지를 효율적으로 표현하기
대규모 희소 그래프에서는 대부분의 원소가 0이므로 인접 행렬이 메모리를 낭비합니다. 대신 머신러닝 프레임워크는 엣지 목록(COO 형식)으로 엣지를 저장합니다. 엣지 목록은 각 엣지의 출발 노드와 도착 노드를 나타내는 두 배열로 구성됩니다. PyTorch Geometric에서는 이를 edge_index라고 합니다.
# Triangle edges as edge_index [2, num_edges]
edge_index = [
[0, 0, 1], # sources
[1, 2, 2], # targets
]그래프 머신러닝 응용 분야
그래프는 어디에나 등장합니다:
- 소셜: 친구 추천, 커뮤니티 탐지
- 분자: 분자의 특성 예측(원자 = 노드, 결합 = 엣지)
- 지식 그래프: 개체와 관계에 대한 링크 예측
- 웹/인용: 순위 지정과 분류
빠른 확인
그래프 이론 지식을 확인해 보세요.
복습
머신러닝을 위한 그래프 이론의 기초를 학습하셨습니다:
- 그래프는 노드와 엣지로 이루어진
G = (V, E)입니다 - 인접 행렬 A는 연결성을 나타내고, X는 노드 특성을 담습니다
- 그래프 라플라시안은
L = D - A입니다 - 그래프는 방향성 또는 무방향성일 수 있고, 가중 그래프 또는 비가중 그래프일 수 있습니다
- 응용 분야는 소셜 그래프, 분자 그래프, 지식 그래프를 아우릅니다
자주 묻는 질문
“머신러닝을 위한 그래프 이론” 강의는 무료인가요?
네 — “머신러닝을 위한 그래프 이론” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.
“머신러닝을 위한 그래프 이론”에서 뭘 배우나요?
노드, 간선, 인접 행렬, 그래프 유형, 그래프 특성, 소셜 네트워크 표현을 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.
Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?
사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 1번째 강의입니다.
“머신러닝을 위한 그래프 이론” 강의는 얼마나 걸리나요?
대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.
이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?
네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.
이 강의의 모든 강의
- 머신러닝을 위한 그래프 이론
- 그래프 합성곱 네트워크(GCN)
- GNN을 활용한 노드 분류
- 링크 예측과 그래프 분류