کتاب Graph Machine Learning

این ویرایش به‌روز شده و توسعه‌یافته دوم، شامل چندین پیشرفت قابل توجه است تا به شما کمک کند در زمینه رو به رشد یادگیری ماشین گرافی پیشرو باشید. در مقایسه با نسخه قبلی، این ویرایش دارای فصل‌های بهبود یافته برای وضوح و یکپارچگی بهتر، مثال‌های جدید با استفاده از ابزارهای قدیمی و فریم‌ورک‌های مدرن مانند PyTorch و DGL، و فصل‌های کاملاً جدیدی است که موضوعات پیشرفته‌ای مانند یادگیری ماشین گرافی زمانی و ادغام مدل‌های زبان بزرگ (LLM) را پوشش می‌دهد.

کتاب Graph Machine Learning “یادگیری ماشین گرافی” یک جعبه ابزار قدرتمند برای پردازش داده‌های ساختار یافته شبکه و استفاده از روابط بین موجودیت‌ها برای مدل‌سازی پیش‌بینی، تحلیل و موارد دیگر ارائه می‌دهد. شما با یک مقدمه مختصر در مورد نظریه گراف، یادگیری ماشین گرافی و شبکه‌های عصبی شروع خواهید کرد و یک درک اساسی از اصول و کاربردهای آن‌ها به دست می‌آورید.

با پیشرفت در کتاب Graph Machine Learning، به مدل‌های اصلی یادگیری ماشین برای یادگیری بازنمایی گراف، کشف اهداف، عملکرد درونی و پیاده‌سازی عملی آن‌ها در کارهای نظارت شده و بدون نظارت مختلف، خواهید پرداخت. شما یک پایپ‌لاین یادگیری ماشین سرتاسری، از پیش‌پردازش داده تا آموزش و پیش‌بینی، برای استفاده کامل از پتانسیل داده‌های گراف، توسعه خواهید داد.

در سراسر کتاب Graph Machine Learning، سناریوهای دنیای واقعی مانند تحلیل شبکه‌های اجتماعی، پردازش زبان طبیعی با گراف‌ها و سیستم‌های تراکنش مالی را خواهید یافت.

فصل‌های بعدی شما را از طریق ایجاد برنامه‌های کاربردی مقیاس‌پذیر و داده‌محور برای ذخیره‌سازی، پرس‌وجو و پردازش داده‌های گراف راهنمایی می‌کنند و شما را با پیشرفت‌های اخیر و روندهای نوظهور در این حوزه آشنا می‌کنند، که برخی از آن‌ها تعامل بین گراف‌ها و LLM‌های مورد استفاده در زمینه هوش مصنوعی مولد و سیستم‌های تولید تقویت شده با بازیابی (RAG) هستند.

با پایان کتاب Graph Machine Learning، شما مفاهیم کلیدی نظریه گراف و الگوریتم‌های یادگیری ماشین را درک خواهید کرد که به شما امکان می‌دهد راه حل‌های یادگیری ماشین مبتنی بر گراف تاثیرگذار را توسعه دهید.

کتاب Graph Machine Learning برای چه کسانی است؟

این کتاب برای تحلیلگران داده، توسعه‌دهندگان گراف، تحلیلگران گراف و متخصصان گراف است که می‌خواهند از اطلاعات نهفته در اتصالات و روابط بین نقاط داده استفاده کنند، ساختارهای پنهان را کشف کنند و از اطلاعات توپولوژیکی برای تقویت تحلیل و عملکرد مدل‌های خود بهره ببرند. این کتاب همچنین برای دانشمندان داده و توسعه‌دهندگان یادگیری ماشین که می‌خواهند پایگاه‌های داده گرافی مبتنی بر یادگیری ماشین بسازند، مفید خواهد بود.

کتاب Graph Machine Learning چه موضوعاتی را پوشش می‌دهد؟

• فصل ۱، شروع کار با گراف‌ها: مفاهیم اولیه نظریه گراف را با استفاده از کتابخانه پایتون NetworkX معرفی می‌کند.
• فصل ۲، یادگیری ماشین گرافی: مفاهیم اصلی یادگیری ماشین گرافی و تکنیک‌های تعبیه گراف (Graph Embedding) را معرفی می‌کند.
• فصل ۳، شبکه‌های عصبی و گراف‌ها: شبکه‌های عصبی گرافی (GNNs) و کتابخانه‌های پیشرو برای یادگیری عمیق مبتنی بر گراف را معرفی می‌کند.
• فصل ۴، یادگیری گراف بدون نظارت: روش‌های اخیر تعبیه گراف بدون نظارت را پوشش می‌دهد.
• فصل ۵، یادگیری گراف نظارت شده: روش‌های اخیر تعبیه گراف نظارت شده را پوشش می‌دهد.
• فصل ۶، حل مسائل رایج یادگیری ماشین مبتنی بر گراف: رایج‌ترین وظایف یادگیری ماشین بر روی گراف‌ها را معرفی می‌کند.
• فصل ۷، گراف‌های شبکه‌های اجتماعی: کاربرد الگوریتم‌های یادگیری ماشین را بر روی داده‌های شبکه‌های اجتماعی نشان می‌دهد.
• فصل ۸، تحلیل متن و پردازش زبان طبیعی با استفاده از گراف‌ها: کاربرد الگوریتم‌های یادگیری ماشین را در یک کار پردازش زبان طبیعی نشان می‌دهد.
• فصل ۹، تحلیل گراف برای تراکنش‌های کارت اعتباری: کاربرد الگوریتم‌های یادگیری ماشین را در تشخیص کلاهبرداری کارت اعتباری نشان می‌دهد.
• فصل ۱۰، ساخت یک برنامه کاربردی مبتنی بر گراف و داده‌محور: برخی از فناوری‌ها و تکنیک‌های مفید برای کار با گراف‌های بزرگ را معرفی می‌کند.
• فصل ۱۱، یادگیری ماشین گراف زمانی: بر روی تکنیک‌های مدل‌سازی و یادگیری از داده‌های گراف پویا و در حال تکامل زمان‌محور تمرکز دارد.
• فصل ۱۲، GraphML و LLM ها: بررسی می‌کند که چگونه ساختارهای گراف می‌توانند LLM ها را تقویت کنند و چگونه LLM ها می‌توانند برای وظایف مبتنی بر گراف استفاده شوند.

• فصل ۱۳، روندهای جدید در گراف‌ها: برخی از روندهای جدید (الگوریتم‌ها و کاربردها) یادگیری ماشین گرافی را معرفی می‌کند.