کتاب Graph Data Science with Python and Neo4j: Hands-on Projects on Python and Neo4j Integration for Data Visualization and Analysis Using Graph Data Science for Building Enterprise Strategies (English Edition) (گراف علم داده با پایتون و Neo4j: پروژه های عملی در Python و Neo4j ادغام برای تجسم و تجزیه و تحلیل داده ها با استفاده از Graph Data Science … استراتژی های سازمانی (نسخه انگلیسی)) روشی سرراست برای تسلط بر علم داده گراف ارائه می‌دهد.
با توضیحات مفصل، مثال‌های دنیای واقعی و یک مخزن اختصاصی گیت‌هاب پر از نمونه کدها، این کتاب منبعی ضروری برای هر کسی است که به دنبال بهبود فرآیندهای داده خود با فناوری گراف است. با ما در این سفر تحول آفرین در صنایع مختلف همراه شوید و بینش‌های جدید و قابل اجرا را از داده های خود استخراج کنید.
در ادامه مقدمه‌ای از کتاب Graph Data Science with Python and Neo4j را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Graph Data Science with Python and Neo4j:
این کتاب برای چه کسانی مناسب است؟
علم داده (دیتا ساینس) بر روی استخراج بینش و هوش کاربردی از داده‌ها تمرکز دارد. علم داده گراف یکی از حوزه‌های مهم علم داده است که معماری و طراحی داده، تحلیل داده، تحلیل آماری و یادگیری ماشین را به هم پیوند می‌دهد.
در کتاب «علم داده گراف با پایتون و Neo۴j»، تحلیلی جامع از آنالیز داده با تئوری گراف به همراه تمرین‌های عملی که جنبه‌ها و حوزه‌های مختلف علم داده گراف را پوشش می‌دهد، پیدا خواهید کرد. خوانندگان هم اصول اولیه و هم تجربه عملی برای پیاده‌سازی این نوع تحلیل داده را به دست خواهند آورد.
کتاب Graph Data Science with Python and Neo4j موضوعاتی را در علم داده گراف مرتبط با تحلیل اکتشافی داده، یادگیری ماشین با نظارت، یادگیری ماشین بدون نظارت، سیستم‌های توصیه و موارد دیگر را پوشش می‌دهد.
بیشتر بخوانید: کتاب Graph Algorithms for Data Science
کتاب Graph Data Science with Python and Neo4j چه تازگی‌هایی دارد؟
هسته‌ی اصلی علم داده گراف، نمایش بصری ساده‌ی داده‌های مرتبط به هم است. این کتاب نشان می‌دهد که چگونه می‌توانیم از این طراحی بصری و مرتبط داده‌ها برای تقویت تحلیل داده‌های خود استفاده کنیم.
کتاب Graph Data Science with Python and Neo4j چه مطالبی را پوشش می‌دهد؟
این کتاب فراتر از توضیح سطحی رفته و به جزئیات ساختار‌های شبکه، الگوریتم‌های گراف و شبکه‌های شباهت می‌پردازد. این کتاب درک کاملی از مفاهیم علم داده گراف را ارائه می‌دهد.
فصل ۱: مقدمه‌ای بر علم داده گراف
این فصل مقدمه‌ای بر علم داده گراف است. با اصول اولیه تئوری گراف شروع می‌شود و بر ارزش تجسم گراف در در دسترس قرار دادن بینش‌های داده تأکید می‌کند. همچنین هم افزایی بین علم داده، یادگیری ماشین و فناوری گراف را بررسی می‌کند.
علاوه بر این، برنامه‌نویسی پایتون را به عنوان مهارتی اساسی برای استفاده از قابلیت‌های Neo۴j معرفی می‌کند و زمینه‌ای را برای تحلیل‌های پیشرفته مبتنی بر گراف در فصل‌های بعدی فراهم می‌کند.
فصل دوم: شروع به کار با پایتون و Neo۴j
این فصل از کتاب Graph Data Science with Python and Neo4j شما را در مراحل اولیه برای راه‌اندازی محیط علم داده گراف با پایتون و Neo۴j راهنمایی می‌کند.
بخش اول: با یک راهنمای گام به گام برای نصب پایتون شروع می‌شود.
بخش دوم: به معرفی زبان پرس و جوی Cypher می‌پردازد که برای برقراری ارتباط با پایگاه داده Neo۴j استفاده می‌شود.
بخش سوم: رابطهای کاربری Neo۴j را معرفی می‌کند و نحوه ناوبری و استفاده مؤثر از آن‌ها را توضیح می‌دهد. همچنین نحوه برقراری ارتباط بین پایتون و پایگاه داده Neo۴j را شرح می‌دهد.
فصل سوم: وارد کردن داده به پایگاه داده گراف Neo۴j
این فصل از کتاب Graph Data Science with Python and Neo4j، به مقایسه پایگاه‌های داده گراف با پایگاه‌های داده رابطهای سنتی می‌پردازد و مزایای پایگاه داده گراف Neo۴j را بیان می‌کند.
بخش اول: اصطلاحات پایگاه داده گراف را معرفی می‌کند که زمینه‌ای برای درک ساختار داده‌های گراف فراهم می‌کند.
بخش دوم: اصول اولیه زبان پرس و جوی Cypher در Neo۴j را پوشش می‌دهد که برای پرس و جو و دستکاری داده‌ها در Neo۴j استفاده می‌شود.
بخش سوم: خوانندگان را در فرآیند وارد کردن داده به Neo۴j راهنمایی می‌کند.
فصل چهارم: زبان پرس و جوی Cypher
این فصل از کتاب Graph Data Science with Python and Neo4j، بر روی ساختن پرس و جو‌های Cypher تمرکز دارد.
بخش اول: با عملیات‌های پایه MATCH، WHERE و RETURN شروع می‌شود و به سمت تکنیک‌های پیشرفته با استفاده از COLLECT، CONTAINS و EXISTS حرکت می‌کند.
بخش دوم: مفهوم شمارش روابط یا \”درجه\” گره‌ها را معرفی می‌کند.
بخش سوم: شامل بخش‌هایی در مورد ایجاد projectionهای Graph Data Science (GDS) و ایجاد روابط \”مشابه\” بین گره‌ها بر اساس ویژگی‌های مشترک است.
بخش چهارم: در نهایت، این فصل برنامه‌های \”explain\” پرس و جوی Cypher را برای بهینه‌سازی عملکرد پرس و جو پوشش می‌دهد.
فصل پنجم: تجسم شبکه‌های گراف
این فصل از کتاب Graph Data Science with Python and Neo4j، به استفاده از Neo۴j Bloom برای تجسم گراف می‌پردازد.
بخش اول: با دستورالعمل‌های راه‌اندازی شروع می‌شود.
بخش دوم: نحوه سبک دهی بر اساس قوانین و همچنین خروجی گرفتن داده‌ها به CSV برای به اشتراک‌گذاری و تحلیل‌های بیشتر را توضیح می‌دهد.
بخش سوم: به یکپارچه‌سازی داده‌های گراف با Power BI برای تحلیل بصری پیشرفته اشاره می‌کند و روند کار را از راه‌اندازی تا ایجاد تجسم‌های گراف جذاب ساده می‌کند.
فصل ششم: غنی‌سازی داده با ChatGPT
این فصل از کتاب Graph Data Science with Python and Neo4j، با معرفی فناوری ChatGPT شروع می‌شود که زیربنایی برای ادغام بینش‌های مبتنی بر هوش مصنوعی در تحلیل داده‌های گراف فراهم می‌کند.
بخش اول: یک مجموعه داده ثبت اختراع (پتنت) را بررسی می‌کند و نشان می‌دهد چگونه الگو‌ها و بینش‌هایی را از یک شبکه غنیچ از اختراعات کشف کنیم.
بخش دوم: به غنی‌سازی داده‌ها با استفاده از API پایتون ChatGPT می‌پردازد.
بخش سوم: به جزئیات ایجاد جاسازی (embedding) برای خلاصه اختراعات می‌پردازد، که گامی اساسی برای درک و استفاده از محتوای معنایی اختراعات است.
بخش چهارم: در نهایت با روش‌های کاهش اندازه جاسازی‌برداری برای امکان تجسم آن‌ها با Plotly در پایتون به پایان می‌رسد.
فصل هفتم: شاخص برداری Neo۴j و نسل آگمنتد بازیابی (RAG)
این فصل شاخص‌سازی‌برداری در Neo۴j را پوشش می‌دهد، که با آماده‌سازی داده‌های متنی بازار سهام برای جاسازی‌برداری شروع می‌شود.
بخش اول: روند ایجاد و ذخیره این جاسازی‌ها در Neo۴j را شرح می‌دهد و نشان می‌دهد که چگونه می‌توان عمق و کاربرد یک گراف دانش را با داده‌های متنی (زمینه‌ای) افزایش داد.
فصل هشتم: الگوریتم‌های گراف در Neo۴j
این فصل از کتاب Graph Data Science with Python and Neo4j، به تکنیک‌های پیشرفته تحلیل گراف می‌پردازد، با سنجش مرکزیت برای شناسایی تأثیرگذارترین گره‌ها در یک شبکه شروع می‌شود.
بخش دوم: سپس به الگوریتم‌های کشف اجتماع می‌پردازد که گراف‌ها را به خوشه‌های به هم مرتبط تقسیم می‌کند.
بخش سوم: همچنین جاسازی‌های شبکه و شبکه‌های عصبی گراف را معرفی می‌کند که روش‌های پیشرفته‌ای برای ترجمه ساختار‌های گراف به نمایش‌های عددی هستند و کاربرد‌های یادگیری ماشین را روی داده‌های گراف تسهیل می‌کنند.
فصل نهم: موتور‌های توصیه با استفاده از جاسازی‌ها
این فصل خواننده را در فرایند بارگذاری یک تخلیه پایگاه داده ثبت اختراع (پتنت) به محیط دسکتاپ Neo۴j راهنمایی می‌کند. دو رویکرد برای ساخت موتور‌های توصیه معرفی می‌کند:
رویکرد بازیابی-تقویت‌شده‌ی تولید (RAG): این بخش بررسی می‌کند که چگونه با ادغام قابلیت‌های بازیابی با مدل‌های تولیدکننده، سیستم‌های توصیه را بهبود بخشید.
رویکرد بازیابی-سؤال-جواب (RetrievalQA): این بخش به مدل‌های پرسش و پاسخ برای توصیه‌های دقیق‌تر می‌پردازد.
فصل دهم: کشف تقلب
این فصل از کتاب Graph Data Science with Python and Neo4j، تحلیل کشف تقلب را مورد بحث قرار می‌دهد که به دلیل ماهیت داده‌های به هم پیوسته، یک مورد استفاده رایج برای پایگاه‌های داده گراف است.
بخش اول: اهمیت مهندسی داده و فرآیندهای مربوط به غنی‌سازی مجموعه داده تقلب را مورد بحث قرار می‌دهد.
بخش دوم: علاوه بر این، تکنیک‌های علم داده گراف را که برای کشف تقلب طراحی شده‌اند، معرفی می‌کند.
خلاصه پایانی: آینده علم داده گراف
این فصل پایانی به آینده علم داده گراف می‌نگرد.
بخش اول: بر نقش فناوری گراف در استخراج بینش‌های قابل اجرا و هم افزایی بین گراف‌های دانش و مدل‌های زبان بزرگ (مانند GPT) برای درک عمیق‌تر زمینه‌ای تأکید می‌کند.
بخش دوم: این نگاه رو به جلو با هدف الهام بخشیدن به کاوش‌های مداوم در زمینه علم داده گراف است.
کتابخانه ها/ابزار/نرم افزار/پلتفرم ها/زبان‌های برنامه‌نویسی/فناوری:
- Neo۴j: پلتفرم پایگاه داده گراف
- Python: زبان برنامه‌نویسی برای علم داده‌ها
- Cypher: زبان پرس و جو برای Neo۴j
- Neo۴j Bloom: ابزاری برای تجسم داده‌های گراف
- جاسازی گراف: تکنیک‌هایی برای جاسازی و نمایش گره ها
سرفصل‌های کتاب Graph Data Science with Python and Neo4j:
- Cover Page
- Title Page
- Copyright Page
- Dedication Page
- About the Author
- About the Technical Reviewer
- Acknowledgements
- Preface
- A Note from the Author
- Errata
- Table of Contents
- 1. Introduction to Graph Data Science
- 2. Getting Started with Python and Neo4j
- 3. Import Data into the Neo4j Graph Database
- 4. Cypher Query Language
- 5. Visualizing Graph Networks
- 6. Enriching Neo4j Data with ChatGPT
- 7. Neo4j Vector Index and Retrieval-Augmented Generation (RAG)
- 8. Graph Algorithms in Neo4j
- 9. Recommendation Engines Using Embeddings
- 10. Fraud Detection
- Closing Summary: The Future of Graph Data Science
- Index
جهت دانلود کتاب Graph Data Science with Python and Neo4j می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.