Apprentissage automatique des graphes : Les données graphiques passent au niveau supérieur grâce à l'application de techniques et d'algorithmes d'apprentissage automatique.

Avis des lecteurs

Résumé:

Le livre fournit une introduction complète à l'apprentissage automatique des graphes, équilibrant la théorie et les applications pratiques, avec de nombreux exemples de code. Bien qu'il constitue une ressource précieuse pour ceux qui sont familiers avec les concepts de l'apprentissage automatique, les lecteurs peuvent trouver qu'il manque de profondeur dans les discussions sur la théorie des graphes et qu'il y a des problèmes de qualité d'impression et de notation erratique.

Avantages:

⬤ Des explications, des discussions et des exemples de scripts de grande qualité.
⬤ Vue d'ensemble complète de diverses applications d'apprentissage automatique utilisant des concepts de graphes.
⬤ Bonne organisation et style accessible aux lecteurs ayant des connaissances préalables en ML/DL.
⬤ Contient des exemples de code pratiques et des applications du monde réel.
⬤ Couvre des sujets émergents tels que l'analyse topologique des données et l'intégration des graphes.

Inconvénients:

⬤ Qualité d'impression médiocre, avec des graphiques illisibles et des problèmes de formatage du code.
⬤ Certaines explications sont superficielles, avec des notations négligées et des erreurs grammaticales.
⬤ Nécessite des connaissances préalables en apprentissage automatique et en mathématiques, ce qui peut rebuter les débutants.
⬤ Problèmes de compatibilité avec certains échantillons de code et certaines bibliothèques.
⬤ Manque d'exploration détaillée de certaines théories et concepts de niche.

(basé sur 21 avis de lecteurs)

Titre original :

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

Contenu du livre :

Construisez des algorithmes d'apprentissage automatique en utilisant des données de graphe et exploitez efficacement les informations topologiques dans vos modèles.

Caractéristiques principales :

⬤ Mettre en œuvre des techniques et des algorithmes d'apprentissage automatique dans les données graphiques.

⬤ Identifier la relation entre les nœuds afin de prendre de meilleures décisions commerciales.

⬤ Appliquer les méthodes d'apprentissage automatique basées sur les graphes pour résoudre des problèmes réels.

Description du livre :

Graph Machine Learning fournit un nouvel ensemble d'outils pour traiter les données de réseau et tirer parti de la puissance des relations entre les entités qui peuvent être utilisées pour des tâches de prédiction, de modélisation et d'analyse.

Vous commencerez par une brève introduction à la théorie des graphes et à l'apprentissage automatique des graphes, en comprenant leur potentiel. Au fur et à mesure, vous vous familiariserez avec les principaux modèles d'apprentissage automatique pour l'apprentissage des représentations graphiques : leur objectif, leur fonctionnement et la manière dont ils peuvent être mis en œuvre dans un large éventail d'applications d'apprentissage supervisé et non supervisé. Vous construirez ensuite un pipeline complet d'apprentissage automatique, comprenant le traitement des données, l'entraînement des modèles et la prédiction afin d'exploiter tout le potentiel des données graphiques. Vous aborderez ensuite des scénarios réels tels que l'extraction de données à partir de réseaux sociaux, l'analyse de texte et le traitement du langage naturel (NLP) à l'aide de graphes et de systèmes de transactions financières sur des graphes. Enfin, vous apprendrez à construire et à mettre à l'échelle des applications axées sur les données pour l'analyse des graphes afin de stocker, d'interroger et de traiter les informations des réseaux, avant d'explorer les dernières tendances en matière de graphes.

À la fin de ce livre sur l'apprentissage automatique, vous aurez appris les concepts essentiels de la théorie des graphes et tous les algorithmes et techniques utilisés pour créer des applications d'apprentissage automatique réussies.

Ce que vous apprendrez

⬤ Écrire des scripts Python pour extraire des caractéristiques des graphes.

⬤ Distinguer les principales techniques d'apprentissage de la représentation graphique.

⬤ Devenir familier avec l'extraction de données à partir de réseaux sociaux, de systèmes de transactions financières, etc.

⬤ Mettre en œuvre les principales techniques d'intégration de graphes supervisées et non supervisées.

⬤ Vous vous familiariserez avec les méthodes d'intégration peu profonde, les réseaux neuronaux de graphes, les méthodes de régularisation de graphes, etc.

⬤ Déployer et mettre à l'échelle votre application de manière transparente.

A qui s'adresse ce livre :

Ce livre s'adresse aux analystes de données, aux développeurs de graphes, aux analystes de graphes et aux professionnels des graphes qui souhaitent exploiter les informations intégrées dans les connexions et les relations entre les points de données afin d'améliorer les performances de leurs analyses et de leurs modèles. Ce livre sera également utile aux data scientists et aux développeurs de l'apprentissage automatique qui souhaitent construire des bases de données de graphes basées sur l'apprentissage automatique. Une compréhension de niveau débutant des bases de données de graphes et des données de graphes est requise. Une connaissance pratique de niveau intermédiaire de la programmation Python et de l'apprentissage automatique est également attendue pour tirer le meilleur parti de ce livre.

Autres informations sur le livre :

• ISBN : 9781800204492
• Auteur : Claudio Stamile
• Éditeur : Packt Pub
• Reliure : Broché