کتاب Graph Algorithms for Data Science

کتاب Graph Algorithms for Data Science: With examples in Neo4j (الگوریتم های نمودار برای علم داده: با مثال در Neo4j)، یک منبع ارزشمند برای دانشمندان داده، مهندسان نرم‌افزار و کلیه علاقه‌مندان به حوزه گراف و پایگاه داده‌ها است.

این کتاب به بررسی چگونگی به کارگیری الگوریتم‌های گراف در حل مسائل مختلف علم داده می‌پردازد و شامل مجموعه‌ای از توضیحات مفهومی، کدنویسی عملی و مثال‌هایی است که به خوانندگان کمک می‌کند تا با پتانسیل فراوان پایگاه داده‌های گراف و به‌خصوص با Neo4j، یکی از محبوب‌ترین سیستم‌های مدیریت پایگاه داده گرافی، آشنا شوند.

در ادامه مقدمه‌ای از کتاب Graph Algorithms for Data Science را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Graph Algorithms for Data Science:

من حدود هفت سال پیش در مسیر حرفه‌ای خود به توسعه نرم‌افزار روی آوردم. انگار کائنات برای من برنامه‌ای داشت، در اولین کار توسعه دهنده‌ام به آرامی به سمت نمودار‌ها رانده شدم. من احتمالاً یکی از معدود افرادی هستم که می‌توانم ادعا کنم که زبان پرس و جو سایفر اولین زبانی بود که با آن آشنا شدند و شروع به استفاده از آن کردند، حتی قبل از SQL یا هر زبان برنامه‌نویسی، مانند پایتون. کریستیان پکناک، رئیس من در آن زمان، پیش‌بینی کرد که نمودار‌ها، به ویژه نمودار‌های دارای برچسب، آینده هستند.

در آن زمان، پایگاه‌های داده گراف بومی زیادی وجود نداشت، بنابراین Neo۴j یک انتخاب واضح بود. هر چه بیشتر در مورد نمودار‌ها و Neo۴j یاد گرفتم، بیشتر آن‌ها را دوست داشتم. با این حال، یک چیز کاملاً واضح بود.

حتی با وجود اینکه کار‌های بسیار جذابی وجود داشت که می‌توانستم با نمودار‌ها انجام دهم، مستندات می‌توانست خیلی بهتر باشد. من شروع به نوشتن یک وبلاگ کردم تا تمام کار‌های قابل توجهی را که می‌توان با نمودار‌ها انجام داد به نمایش گذاشت و از تلاش مردم برای جستجوی اینترنت و کد منبع برای یادگیری نحوه پیاده‌سازی ویژگی‌ها و گردش کار‌های مختلف صرفه‌جویی کرد. علاوه بر این، من با وبلاگ به عنوان مخزن کدی برخورد کردم که می‌توانستم از آن در پروژه‌هایم استفاده و کپی کنم.

پنج سال به جلو: پس از بیش از ۷۰ پست وبلاگ منتشر شده، من پستی در مورد ترکیب پردازش زبان طبیعی و نمودار‌ها نوشتم. احتمالاً این بهترین پست من تا به امروز بود و جالب اینکه در خلاصه آن نوشتم که اگر روزی کتابی بنویسم، آن پست یک فصل از آن خواهد بود. زندگی ترکیبی از تصادفات خوش شانس است. مایکل هانگر پست NLP من را خواند و پرسید که آیا در نوشتن کتاب جدی هستم یا خیر.

من به شوخی پاسخ دادم که نوشتن یک کتاب ممکن است ایده خوبی باشد و به من کمک کند تا در حرفه‌ام پیشرفت کنم. مایکل آن را جدی گرفت و ماه بعد با منینگ ملاقات کردیم. بقیه چیز‌ها تاریخ است و کتابی که پیش روی شماست، نتیجه سفر من برای آسان کردن نمودار‌ها و علم داده‌های نموداری برای یادگیری، درک و پیاده‌سازی در پروژه‌های شما است.

بیشتر بخوانید: کتاب Graph Data Modeling in Python

در مورد کتاب Graph Algorithms for Data Science

Graph Algorithms for Data Science برای کمک به شما در گنجاندن جعبه ابزار‌های تحلیل گراف در گردش کار تجزیه و تحلیل نوشته شده است. ‌ایده پشت این کتاب این است که فردی را که قبلاً هرگز نام نمودار‌ها را نشنیده است، انتخاب کنیم و آن‌ها را در اولین مدل نمودار و تجمیع گراف‌ها بگذرانیم و در نهایت به جریان‌های کاری پیشرفته‌تر، نمودار‌ها و یادگیری ماشینی مانند طبقه‌بندی گره‌ها و پیش‌بینی پیوند‌ها برسیم.

چه کسی باید کتاب Graph Algorithms for Data Science را بخواند؟

Graph Algorithms for Data Science برای تحلیلگران و توسعه‌دهندگان داده در نظر گرفته شده است که به دنبال تقویت جعبه ابزار تجزیه و تحلیل داده خود با ترکیب الگوریتم‌های نمودار برای کشف روابط بین نقاط داده هستند.

کتاب Graph Algorithms for Data Science برای افرادی مناسب است که درک اولیه از پایتون و مفاهیم یادگیری ماشینی، مانند مدل‌های طبقه‌بندی، مشتاق افزایش قابلیت‌های تجزیه و تحلیل داده‌های خود را دارند.

کتاب Graph Algorithms for Data Science با رویکرد ساختاری خود به طیف گسترده‌ای از خوانندگان پاسخ می‌دهد و به تحلیلگران جوان در ایجاد پایه‌ای قوی در الگوریتم‌های نمودار کمک می‌کند و همچنین دیدگاه‌های جدید و تکنیک‌های پیشرفته را برای تحلیلگران با تجربه‌تر ارائه می‌دهد و در نتیجه صلاحیت‌های علم داده آن‌ها را گسترش می‌دهد.

نحوه تنظیم کتاب Graph Algorithms for Data Science

این کتاب دارای ۳ بخش است که شامل ۱۲ فصل است. قسمت ۱ نمودار‌ها را معرفی می‌کند و شما را در یک کار مدل‌سازی نمودار راهنمایی می‌کند:

فصل ۱ مفهوم نمودار‌ها و نحوه تشخیص یک مسأله به شکل نمودار را معرفی می‌کند. همچنین انواع الگوریتم‌های نموداری را که در طول کتاب با آن‌ها آشنا خواهید شد، معرفی می‌کند.

فصل ۲ با ارائه اصطلاحات اصلی نمودار شروع می‌شود که می‌توانید از آن برای توصیف یک نمودار استفاده کنید. با معرفی یک مدل گراف دارای ویژگی برچسب‌گذاری شده و راهنمایی شما در یک کار مدل‌سازی نمودار ادامه می‌یابد.

قسمت ۲ کتاب Graph Algorithms for Data Science، زبان پرس و جو Cypher و الگوریتم‌های نمودار پرکاربرد را معرفی می‌کند:

فصل ۳ نحو و بند‌های زبان پرس و جوی Cypher را پوشش می‌دهد. همچنین نحوه وارد کردن نمودار از فایل‌های CSV را نشان می‌دهد.

فصل ۴ شما را از طریق تجزیه و تحلیل نمودار اکتشافی راهنمایی می‌کند. شما یاد خواهید گرفت که چگونه داده‌ها را با استفاده از زبان پرس و جو Cypher بازیابی، فیلتر و تجمیع کنید.

فصل ۵ نحوه استفاده از زبان پرس و جو سایفر و الگوریتم‌های نمودار را برای مشخص کردن یک نمودار نشان می‌دهد. همچنین نشان می‌دهد که چگونه می‌توان مهم‌ترین گره‌ها را با استفاده از الگوریتم PageRank پیدا کرد.

فصل ۶ نحوه تبدیل روابط غیرمستقیم بین نقاط داده را به رابطه مستقیم نشان می‌دهد که می‌تواند به عنوان ورودی برای الگوریتم‌های نمودار استفاده شود. علاوه بر این، انواع وزنی برخی از الگوریتم‌های گراف مانند درجه گره و رتبه صفحه را معرفی می‌کند.

فصل ۷ نحوه طرح‌ریزی یک شبکه همزمان را نشان می‌دهد، که در آن تعداد همسایگان مشترک بین یک جفت گره مشخص می‌کند که چقدر شبیه هستند.

فصل ۸ نحوه مشخص کردن نقش‌های گره در شبکه را با استفاده از ویژگی‌ها و معیار‌های مختلف نشان می‌دهد. بعداً در این فصل از کتاب Graph Algorithms for Data Science، یاد خواهید گرفت که چگونه یک نمودار k نزدیکترین همسایه بسازید و جوامعی از گره‌ها را با نقش‌های مشابه بیابید.

بخش ۳ کتاب Graph Algorithms for Data Science، جریان‌های کار یادگیری ماشین گراف پیشرفته‌تری را پوشش می‌دهد، مانند طبقه‌بندی گره و پیش‌بینی پیوند:

فصل ۹ مدل‌های تعبیه گره را معرفی می‌کند و شما را از طریق یک کار طبقه‌بندی گره راهنمایی می‌کند.

فصل ۱۰ شما را از طریق وظایف پیش‌بینی پیوند راهنمایی می‌کند، جایی که از زبان پرس و جو Cypher برای استخراج ویژگی‌های مرتبط و استفاده از آن‌ها برای آموزش یک مدل پیش‌بینی پیوند استفاده می‌کنید.

فصل ۱۱ تفاوت بین پیش‌بینی پیوند در نمودار‌های ساده و پیچیده را پوشش می‌دهد و مدل‌های تعبیه گراف دانش را معرفی می‌کند که می‌تواند برای پیش‌بینی پیوند‌ها در شبکه‌های پیچیده استفاده شود.

فصل ۱۲ نحوه ساخت یک نمودار با استفاده از تکنیک‌های پردازش زبان طبیعی، مانند شناسایی موجودیت نامگذاری شده و استخراج رابطه را نشان می‌دهد. به طور کلی، دو فصل اول شما را با تئوری و اصطلاحات اصلی گراف آشنا می‌کند و همچنین در مورد مدل نمودار توییتر که در فصل‌های ۳ تا ۸ کتاب Graph Algorithms for Data Science، استفاده خواهد شد، بحث می‌کند.

فصل ۳ و ۴ برای آشنایی شما با زبان پرس و جو Cypher در نظر گرفته شده است. فصل‌های زیر به‌عنوان تکالیف تحلیلگر جداگانه طراحی شده‌اند و در صورت نیاز الگوریتم‌های گراف مرتبط را معرفی می‌کنند.

سرفصل‌های کتاب Graph Algorithms for Data Science:

• Graph Algorithms for Data Science
• brief contents
• contents
• foreword
• preface
• acknowledgments
• about this book
• about the author
• about the cover illustration
• Part 1—Introduction to graphs
  • 1 Graphs and network science: An introduction
  • 2 Representing network structure: Designing your first graph model
• Part 2—Network analysis
  • 3 Your first steps with Cypher query language
  • 4 Exploratory graph analysis
  • 5 Introduction to social network analysis
  • 6 Projecting monopartite networks
  • 7 Inferring co-occurrence networks based on bipartite networks
  • 8 Constructing a nearest neighbor similarity network
• Part 3—Graph machine learning
  • 9 Node embeddings and classification
  • 10 Link prediction
  • 11 Knowledge graph completion
  • 12 Constructing a graph using natural language processing techniques
• appendix-The Neo4j environment
  • A.1 Cypher query language
  • A.2 Neo4j installation
  • A.3 Neo4j Browser configuration
• references
• index

جهت دانلود کتاب Graph Algorithms for Data Science می‌توانید پس از پرداخت، دریافت کنید.