Ocena:
Książka „Graph Data Science with Neo4j” jest wysoko ceniona za kompleksowe omówienie koncepcji nauki o danych grafowych przy użyciu Neo4j, odpowiednie zarówno dla początkujących, jak i doświadczonych praktyków. Oferuje praktyczne przykłady, wskazówki krok po kroku i wgląd w zaawansowane tematy, dzięki czemu jest cennym źródłem informacji dla naukowców zajmujących się danymi.
Zalety:⬤ Doskonała dla początkujących i doświadczonych użytkowników
⬤ praktyczne przykłady
⬤ jasne instrukcje krok po kroku
⬤ obejmuje zarówno podstawowe, jak i zaawansowane tematy
⬤ duży nacisk na rzeczywiste zastosowania
⬤ służy jako trwałe odniesienie
⬤ wprowadza sterownik Neo4j GDSL Python.
⬤ Niektórzy czytelnicy mogą uznać, że książka zakłada pewien poziom wcześniejszej wiedzy
⬤ głębsza eksploracja zaawansowanych tematów może być czasami pożądana
⬤ Neo4j może nie być jedyną dostępną opcją, co może ograniczać perspektywę nauki o danych grafowych.
(na podstawie 6 opinii czytelników)
Graph Data Science with Neo4j: Learn how to use Neo4j 5 with Graph Data Science library 2.0 and its Python driver for your project
Doładuj swoje dane nieograniczonym potencjałem Neo4j 5, wiodącej bazy danych grafów dla najnowocześniejszego uczenia maszynowego
Zakup książki drukowanej lub Kindle zawiera bezpłatny eBook PDF
Kluczowe cechy:
⬤ Wyodrębnij znaczące informacje z danych wykresów dzięki najnowszej wersji Neo4j 5.
⬤ Wykorzystanie algorytmów grafowych w zwykłym potoku uczenia maszynowego w Pythonie.
⬤ Poznanie podstawowych zasad biblioteki Graph Data Science Library w celu tworzenia prognoz i potoków nauki o danych.
Opis książki:
Neo4j, wraz z biblioteką Graph Data Science (GDS), jest kompletnym rozwiązaniem do przechowywania, wyszukiwania i analizowania danych grafowych. Ponieważ bazy danych grafów stają się coraz bardziej popularne wśród programistów, naukowcy zajmujący się danymi prawdopodobnie zetkną się z takimi bazami danych w swojej karierze, co sprawia, że niezbędną umiejętnością jest praca z algorytmami grafowymi w celu wyodrębnienia informacji kontekstowych i poprawy ogólnej wydajności przewidywania modelu.
Naukowcy zajmujący się danymi pracujący w Pythonie będą mogli wykorzystać swoją wiedzę w pracy z tym praktycznym przewodnikiem po Neo4j i bibliotece GDS, który oferuje krok po kroku wyjaśnienia podstawowych pojęć i praktyczne instrukcje dotyczące wdrażania technik nauki o danych na danych grafowych przy użyciu najnowszej wersji Neo4j 5 i powiązanych z nią bibliotek. Zaczniesz od zapytania Neo4j za pomocą Cypher i dowiesz się, jak scharakteryzować zestawy danych grafowych. W miarę poznawania algorytmów grafowych na danych grafowych przechowywanych w Neo4j, zrozumiesz nowe i zaawansowane możliwości biblioteki GDS, które umożliwiają prognozowanie i pisanie potoków nauki o danych. Korzystając z nowo wydanego sterownika GDSL Python, będziesz w stanie zintegrować algorytmy grafowe z potokiem ML.
Pod koniec tej książki będziesz w stanie wykorzystać relacje w swoim zbiorze danych, aby ulepszyć swój obecny model i dokonać innych rodzajów skomplikowanych prognoz.
Czego się nauczysz:
⬤ Używać języka zapytań Cypher do tworzenia zapytań w grafowych bazach danych, takich jak Neo4j.
⬤ Tworzyć zestawy danych grafów na podstawie własnych danych i publicznych grafów wiedzy.
⬤ Tworzyć prognozy specyficzne dla grafów, takie jak przewidywanie linków.
⬤ Zapoznaj się z najnowszą wersją Neo4j, aby zbudować potok nauki o danych grafowych.
⬤ Uruchamianie algorytmu predykcji scikit-learn z danymi grafowymi.
⬤ Trenowanie predykcyjnego algorytmu osadzania w GDS i zarządzanie magazynem modeli.
Dla kogo jest ta książka:
Jeśli jesteś naukowcem zajmującym się danymi lub specjalistą od danych z podstawami Neo4j i jesteś teraz gotowy, aby zrozumieć, jak budować zaawansowane rozwiązania analityczne, ta książka z zakresu nauki o danych grafowych będzie dla Ciebie przydatna. Znajomość głównych komponentów projektu nauki o danych w Pythonie i Neo4j jest niezbędna do śledzenia koncepcji omówionych w tej książce.
