Apprendimento automatico dei grafici: Porta i dati dei grafi al livello successivo applicando tecniche e algoritmi di apprendimento automatico.

Recensioni dei lettori

Il libro fornisce un'introduzione completa al Graph Machine Learning, bilanciando teoria e applicazioni pratiche, con numerosi esempi di codice. Sebbene sia una risorsa preziosa per coloro che hanno familiarità con i concetti di apprendimento automatico, i lettori potrebbero trovare che manchi di profondità nelle discussioni sulla teoria dei grafi e che abbia problemi con la qualità di stampa e la notazione irregolare.

⬤ Spiegazioni, discussioni ed esempi di scripting di alta qualità.
⬤ Panoramica completa di varie applicazioni di apprendimento automatico che utilizzano i concetti dei grafi.
⬤ Buona organizzazione e stile accessibile per lettori con conoscenze pregresse in ML/DL.
⬤ Contiene esempi pratici di codice e applicazioni reali.
⬤ Copre argomenti emergenti come l'analisi topologica dei dati e le incorporazioni di grafi.

⬤ Scarsa qualità di stampa, con grafici illeggibili e problemi di formattazione del codice.
⬤ Alcune spiegazioni sono superficiali, con notazioni approssimative ed errori grammaticali.
⬤ Richiede conoscenze preliminari di apprendimento automatico e matematica, il che potrebbe allontanare i principianti.
⬤ Problemi di compatibilità con alcuni esempi di codice e librerie.
⬤ Manca un'esplorazione dettagliata di alcune teorie e concetti di nicchia.

(basato su 21 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Costruire algoritmi di apprendimento automatico utilizzando i dati dei grafi e sfruttare in modo efficiente le informazioni topologiche all'interno dei modelli.

Caratteristiche principali:

⬤ Implementare tecniche e algoritmi di apprendimento automatico nei dati dei grafi.

⬤ Identificare le relazioni tra i nodi per prendere decisioni aziendali migliori.

⬤ Applicare i metodi di apprendimento automatico basati sui grafi per risolvere problemi reali.

Descrizione del libro:

Graph Machine Learning fornisce una nuova serie di strumenti per l'elaborazione dei dati di rete e per sfruttare la potenza delle relazioni tra entità che possono essere utilizzate per attività di previsione, modellazione e analisi.

Inizierete con una breve introduzione alla teoria dei grafi e all'apprendimento automatico dei grafi, comprendendone le potenzialità. Man mano che si procede, si acquisirà una buona conoscenza dei principali modelli di machine learning per l'apprendimento della rappresentazione dei grafi: il loro scopo, il loro funzionamento e il modo in cui possono essere implementati in un'ampia gamma di applicazioni di apprendimento supervisionato e non supervisionato. Costruirete quindi una pipeline di apprendimento automatico completa, che comprenda l'elaborazione dei dati, l'addestramento dei modelli e la predizione, al fine di sfruttare appieno il potenziale dei dati a grafo. In seguito, verranno analizzati scenari reali come l'estrazione di dati dalle reti sociali, l'analisi del testo e l'elaborazione del linguaggio naturale (NLP) utilizzando i grafi e i sistemi di transazioni finanziarie sui grafi. Infine, imparerete come costruire e scalare applicazioni data-driven per l'analisi dei grafi per memorizzare, interrogare ed elaborare le informazioni di rete, prima di passare a esplorare le ultime tendenze sui grafi.

Alla fine di questo libro sull'apprendimento automatico, avrete appreso i concetti essenziali della teoria dei grafi e tutti gli algoritmi e le tecniche utilizzati per costruire applicazioni di apprendimento automatico di successo.

Che cosa imparerete?

⬤ Scrivere script Python per estrarre caratteristiche dai grafi.

⬤ Distinguere tra le principali tecniche di apprendimento della rappresentazione dei grafi.

⬤ Diventare esperti nell'estrazione di dati da reti sociali, sistemi di transazioni finanziarie e altro ancora.

⬤ Implementare le principali tecniche di incorporazione dei grafi non supervisionate e supervisionate.

⬤ Imparare a conoscere i metodi di incorporazione superficiale, le reti neurali a grafo, i metodi di regolarizzazione a grafo e altro ancora.

⬤ Distribuire e scalare la propria applicazione senza problemi.

A chi è rivolto questo libro?

Questo libro è rivolto agli analisti di dati, agli sviluppatori di grafi, agli analisti di grafi e ai professionisti dei grafi che vogliono sfruttare le informazioni incorporate nelle connessioni e nelle relazioni tra i punti di dati per aumentare le prestazioni delle loro analisi e dei loro modelli. Il libro sarà utile anche per gli scienziati dei dati e gli sviluppatori di machine learning che vogliono costruire database a grafo guidati da ML. È richiesta una conoscenza di livello principiante dei database a grafo e dei dati a grafo. Per trarre il massimo vantaggio da questo libro è richiesta una conoscenza di livello intermedio della programmazione Python e dell'apprendimento automatico.