Uczenie maszynowe wykresów: Przenieś dane wykresów na wyższy poziom, stosując techniki i algorytmy uczenia maszynowego.

Opinie czytelników

Książka stanowi kompleksowe wprowadzenie do uczenia maszynowego grafów, równoważąc teorię i praktyczne zastosowania, z licznymi przykładami kodu. Choć stanowi cenne źródło informacji dla osób zaznajomionych z koncepcjami uczenia maszynowego, czytelnicy mogą uznać, że brakuje jej głębi w dyskusjach na temat teorii grafów i ma problemy z jakością druku i nieregularną notacją.

⬤ Wysokiej jakości wyjaśnienia, dyskusje i przykłady skryptów.
⬤ Wszechstronny przegląd różnych aplikacji uczenia maszynowego wykorzystujących koncepcje grafów.
⬤ Dobra organizacja i przystępny styl dla czytelników posiadających wcześniejszą wiedzę z zakresu ML/DL.
⬤ Zawiera praktyczne przykłady kodu i rzeczywiste zastosowania.
⬤ Obejmuje nowe tematy, takie jak topologiczna analiza danych i osadzanie grafów.

⬤ Słaba jakość druku, nieczytelne wykresy i problemy z formatowaniem kodu.
⬤ Niektóre wyjaśnienia są powierzchowne, z niechlujnymi zapisami i błędami gramatycznymi.
⬤ Wymaga wcześniejszej wiedzy z zakresu uczenia maszynowego i matematyki, co może zrazić początkujących.
⬤ Problemy z kompatybilnością z niektórymi próbkami kodu i bibliotekami.
⬤ Brak szczegółowego omówienia niektórych teorii i niszowych koncepcji.

(na podstawie 21 opinii czytelników)

Oryginalny tytuł:

Graph Machine Learning: Take graph data to the next level by applying machine learning techniques and algorithms

Zawartość książki:

Twórz algorytmy uczenia maszynowego przy użyciu danych grafowych i efektywnie wykorzystuj informacje topologiczne w swoich modelach.

Kluczowe cechy:

⬤ Wdrażanie technik i algorytmów uczenia maszynowego w danych grafowych.

⬤ Identyfikacja relacji między węzłami w celu podejmowania lepszych decyzji biznesowych.

⬤ Zastosowanie metod uczenia maszynowego opartych na grafach do rozwiązywania rzeczywistych problemów.

Opis książki:

Graph Machine Learning zapewnia nowy zestaw narzędzi do przetwarzania danych sieciowych i wykorzystywania mocy relacji między podmiotami, które mogą być wykorzystywane do zadań predykcyjnych, modelowania i analityki.

Zaczniesz od krótkiego wprowadzenia do teorii grafów i uczenia maszynowego grafów, rozumiejąc ich potencjał. W miarę postępów, będziesz dobrze zorientowany w głównych modelach uczenia maszynowego do uczenia się reprezentacji grafów: ich celu, sposobie działania i sposobie ich implementacji w szerokim zakresie nadzorowanych i nienadzorowanych aplikacji do uczenia się. Następnie zbudujesz kompletny potok uczenia maszynowego, w tym przetwarzanie danych, szkolenie modeli i przewidywanie, aby w pełni wykorzystać potencjał danych grafowych. Idąc dalej, omówione zostaną rzeczywiste scenariusze, takie jak wydobywanie danych z sieci społecznościowych, analiza tekstu i przetwarzanie języka naturalnego (NLP) przy użyciu grafów i systemów transakcji finansowych na grafach. Wreszcie, dowiesz się, jak budować i skalować aplikacje oparte na danych do analizy grafów w celu przechowywania, wyszukiwania i przetwarzania informacji sieciowych, zanim przejdziesz do zbadania najnowszych trendów w grafach.

Pod koniec tej książki o uczeniu maszynowym poznasz podstawowe koncepcje teorii grafów oraz wszystkie algorytmy i techniki wykorzystywane do tworzenia skutecznych aplikacji uczenia maszynowego.

Czego się nauczysz:

⬤ Pisać skrypty Pythona w celu wyodrębniania cech z grafów.

⬤ Rozróżniać główne techniki uczenia się reprezentacji grafów.

⬤ Zdobyć wiedzę na temat wyodrębniania danych z sieci społecznościowych, systemów transakcji finansowych i innych.

⬤ Wdrożenie głównych nienadzorowanych i nadzorowanych technik osadzania grafów.

⬤ Zapoznanie się z metodami płytkiego osadzania, grafowymi sieciami neuronowymi, metodami regularyzacji grafów i nie tylko.

⬤ Bezproblemowe wdrażanie i skalowanie aplikacji.

Dla kogo jest ta książka:

Ta książka jest przeznaczona dla analityków danych, programistów grafów, analityków grafów i specjalistów od grafów, którzy chcą wykorzystać informacje osadzone w połączeniach i relacjach między punktami danych, aby zwiększyć wydajność analizy i modelu. Książka będzie również przydatna dla naukowców zajmujących się danymi i programistów uczenia maszynowego, którzy chcą budować bazy danych grafów oparte na ML. Wymagana jest znajomość grafowych baz danych i danych grafowych na poziomie początkującym. Oczekuje się również średnio zaawansowanej znajomości programowania w języku Python i uczenia maszynowego, aby jak najlepiej wykorzystać tę książkę.