Grafové strojové učení: Vydejte se na cestu k vyšší úrovni grafických dat pomocí technik a algoritmů strojového učení.

Recenze čtenářů

Kniha poskytuje ucelený úvod do strojového učení grafů, v němž je vyvážena teorie a praktické aplikace, s četnými příklady kódu. Ačkoli slouží jako cenný zdroj informací pro ty, kteří jsou obeznámeni s koncepty strojového učení, čtenáři mohou zjistit, že postrádá hloubku v diskusích o teorii grafů a má problémy s kvalitou tisku a nepravidelným zápisem.

⬤ Vysoce kvalitní vysvětlení, diskuse a příklady skriptování.
⬤ Ucelený přehled různých aplikací strojového učení využívajících koncepty grafů.
⬤ Dobrá organizace a přístupný styl pro čtenáře s předchozími znalostmi v oblasti ML/DL.
⬤ Obsahuje praktické příklady kódu a reálné aplikace.
⬤ Zahrnuje nová témata, jako je topologická analýza dat a vkládání grafů.

⬤ Špatná kvalita tisku, nečitelné grafy a problémy s formátováním kódu.
⬤ Některá vysvětlení jsou povrchní, s nedbalými zápisy a gramatickými chybami.
⬤ Vyžaduje předchozí znalosti strojového učení a matematiky, což může odradit začátečníky.
⬤ Problémy s kompatibilitou s některými ukázkami kódu a knihovnami.
⬤ Chybí podrobný výklad některých teorií a výklenkových pojmů.

(na základě 21 hodnocení čtenářů)

Původní název:

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

Obsah knihy:

Vytvářejte algoritmy strojového učení pomocí grafových dat a efektivně využívejte topologické informace ve svých modelech

Klíčové funkce:

⬤ Zavádějte techniky a algoritmy strojového učení v grafových datech.

⬤ Identifikujte vztahy mezi uzly za účelem přijímání lepších obchodních rozhodnutí.

⬤ Aplikujte metody strojového učení založené na grafech k řešení reálných problémů.

Popis knihy:

Grafové strojové učení poskytuje novou sadu nástrojů pro zpracování síťových dat a využití síly vztahů mezi entitami, které lze využít pro prediktivní, modelovací a analytické úlohy.

Na začátku se stručně seznámíte s teorií grafů a strojovým učením grafů a pochopíte jejich potenciál. Postupně se dobře seznámíte s hlavními modely strojového učení pro učení reprezentace grafů: jejich účelem, způsobem fungování a možnostmi jejich implementace v široké škále aplikací pro učení pod dohledem i bez dohledu. Poté vytvoříte kompletní pipeline strojového učení, včetně zpracování dat, trénování modelů a predikce, abyste plně využili potenciál grafových dat. Pokračovat budete reálnými scénáři, jako je získávání dat ze sociálních sítí, textová analýza a zpracování přirozeného jazyka (NLP) pomocí grafů a systémy finančních transakcí na grafech. Nakonec se naučíte, jak vytvářet a škálovat datově orientované aplikace pro analýzu grafů, které ukládají, dotazují a zpracovávají informace o sítích, a poté postoupíte k prozkoumání nejnovějších trendů v oblasti grafů.

Na konci této knihy o strojovém učení si osvojíte základní pojmy teorie grafů a všechny algoritmy a techniky používané k vytváření úspěšných aplikací strojového učení.

Co se naučíte:

⬤ Napsat skripty v jazyce Python pro extrakci funkcí z grafů.

⬤ Rozlišujte hlavní techniky učení reprezentace grafů.

⬤ Seznámíte se s extrakcí dat ze sociálních sítí, systémů finančních transakcí a dalších.

⬤ Zavedete hlavní techniky vkládání grafů bez dohledu a s dohledem.

⬤ Seznámíte se s metodami mělkého vkládání, grafovými neuronovými sítěmi, metodami regularizace grafů a dalšími.

⬤ Plynulé nasazení a škálování aplikace.

Pro koho je tato kniha určena:

Tato kniha je určena datovým analytikům, vývojářům grafů, grafovým analytikům a odborníkům na grafy, kteří chtějí využít informace obsažené ve spojeních a vztazích mezi datovými body ke zvýšení výkonu svých analýz a modelů. Kniha bude užitečná také pro datové vědce a vývojáře strojového učení, kteří chtějí vytvářet grafové databáze založené na ML. Vyžadují se znalosti grafových databází a grafových dat na úrovni začátečníka. Pro maximální využití této knihy se očekává také pracovní znalost programování v jazyce Python a strojového učení na středně pokročilé úrovni.