動手學圖機器學習 Graph-Powered Machine Learning
[英]亞歷山德羅·內格羅（Alessandro Negro）著 郭濤 譯 郭濤 譯
- 出版商: 清華大學
- 出版日期: 2024-06-01
- 售價: $768
- 貴賓價: 9.5 折 $730
- 語言: 簡體中文
- ISBN: 7302660425
- ISBN-13: 9787302660422
-
相關分類:
Machine Learning
- 此書翻譯自: Graph-Powered Machine Learning
立即出貨
買這商品的人也買了...
-
無瑕的程式碼－敏捷完整篇－物件導向原則、設計模式與 C# 實踐 (Agile principles, patterns, and practices in C#)$790$616 -
$407Angular2開發實戰(基於TypeScript)/Web開發經典叢書 -
反應式設計模式$588$559 -
$454精通 OpenStack, 2/e (Mastering OpenStack, 2/e) -
$301開發者測試 -
領域驅動設計：軟體核心複雜度的解決方法 (Domain-Driven Design: Tackling Complexity in the Heart of Software)$680$530 -
$1,010C# 高級編程, 11/e (Professional C# 7 and .NET Core 2.0) -
Working Effectively with Legacy Code : 管理、修改、重構遺留程式碼的藝術 (中文版)$720$562 -
圖形演算法｜Apache Spark 與 Neo4j 實務範例 (Graph Algorithms)$580$458 -
提升程式設計師的面試力｜189道面試題目與解答, 6/e (修訂版) (Cracking the Coding Interview : 189 Programming Questions and Solutions, 6/e)$980$735 -
Kent Beck 的測試驅動開發：案例導向的逐步解決之道 (Test-Driven Development: By Example)(TDD)$560$437 -
Martin Fowler 的企業級軟體架構模式：軟體重構教父傳授 51個模式，活用設計思考與架構決策 (Patterns of Enterprise Application Architecture)$800$624 -
$760API 安全實戰 (API Security in Action) -
Effective 軟件測試$588$559 -
重構的時機與實作｜五行程式碼規則 (Five Lines of Code: How and When to Refactor)$680$510 -
營養師不開菜單後的 Next.js 全端轉職攻略：從專案規劃、畫面設計、資安到 SEO，挑戰一人 Side Project (iThome鐵人賽系列書)$680$530 -
可觀測性入門指南：Logs、Metrics、Traces 三大實戰應用，用 24個 Lab 鞏固你的 SRE 技能樹 (iThome鐵人賽系列書)$680$530
相關主題
商品描述
識別關系是機器學習的基礎。通過識別和分析數據中的關系，以圖為核心的算法(如K-鄰近或PageRank)顯著提高了機器學習應用的效率。基於圖的機器學習技術以全新方式為社交網絡、欺詐檢測、自然語言處理和推薦系統等領域的機器學習提供了強有力的支持。 《動手學圖機器學習》是行業類的**書籍，旨在傾授如何利用面向圖的機器學習算法和工具，充分挖掘結構化和非結構化數據集中的自然關系，讀者可以從中吸收圖架構和圖設計實踐的精髓，並學會從容避開常見的陷阱。作者Alessandro Negro通過真實的應用示例，將GraphML(一種圖建模語言)概念與實際任務完美聯系起來，使讀者能夠更好地理解圖技術在機器學習中的價值，並熟練應用該技術。 ● 大數據平臺中的圖 ● 推薦、自然語言處理、欺詐檢測 ● 圖算法 ● 與Neo4j圖數據庫協作
目錄大綱
目 錄
第Ⅰ部分 導論
第1 章 機器學習和圖：介紹 3
1.1 機器學習項目生命周期 5
1.1.1 業務理解 6
1.1.2 數據理解 6
1.1.3 數據預處理 7
1.1.4 建模 7
1.1.5 評估 8
1.1.6 部署 8
1.2 機器學習挑戰 8
1.2.1 事實來源 8
1.2.2 性能 11
1.2.3 存儲模型 11
1.2.4 即時性 12
1.3 圖 12
1.3.1 什麽是圖 12
1.3.2 圖作為網絡模型 15
1.4 圖在機器學習中的作用 20
1.4.1 數據管理 21
1.4.2 數據分析 21
1.4.3 數據可視化 22
1.5 本書心智模型 22
1.6 本章小結 23
第2 章 圖數據工程 24
2.1 處理大數據 26
2.1.1 數量 27
2.1.2 速度 29
2.1.3 多樣性 31
2.1.4 真實性 32
2.2 大數據平臺中的圖 33
2.2.1 圖對於大數據很有價值 34
2.2.2 圖對於主數據管理意義重大 40
2.3 圖數據庫 44
2.3.1 圖數據庫管理 45
2.3.2 分片 47
2.3.3 復制 49
2.3.4 原生與非原生圖數據庫 51
2.3.5 標簽屬性圖 55
2.4 本章小結 56
第3 章 圖在機器學習應用中的作用 58
3.1 機器學習工作流中的圖 59
3.2 管理數據源 61
3.2.1 監控目標 64
3.2.2 檢測欺詐 67
3.2.3 識別供應鏈中的風險 69
3.2.4 推薦條目 70
3.3 算法 76
3.3.1 識別供應鏈中的風險 76
3.3.2 在文檔中查找關鍵詞 78
3.3.3 監控目標 80
3.4 存儲並訪問機器學習模型 81
3.4.1 推薦條目 82
3.4.2 監控目標 84
3.5 可視化 87
3.6 剩餘部分：深度學習和圖神經網絡 89
3.7 本章小結 91
第Ⅱ部分 推薦
第4 章 基於內容的推薦 97
4.1 表示條目特徵 99
4.2 對用戶進行建模 112
4.3 提供推薦 118
4.4 圖方法的優點 137
4.5 本章小結 137
第5 章 協同過濾 138
5.1 協同過濾推薦 141
5.2 為User-Item 數據集創建二部圖 142
5.3 計算最近鄰網絡 147
5.4 提供推薦 156
5.5 處理冷啟動問題 161
5.6 圖方法的優點 164
5.7 本章小結 165
第6 章 基於會話的推薦 166
6.1 基於會話的方法 166
6.2 事件鏈和會話圖 169
6.3 提供推薦 174
6.3.1 基於條目的k-NN 175
6.3.2 基於會話的k-NN 180
6.4 圖方法的優點 185
6.5 本章小結 185
第7 章 上下文感知和混合推薦 186
7.1 基於上下文的方法 186
7.1.1 表示上下文信息 189
7.1.2 提供推薦 193
7.1.3 圖方法的優點 208
7.2 混合推薦引擎 209
7.2.1 多模型，單圖 210
7.2.2 提供推薦 212
7.2.3 圖方法的優點 214
7.3 本章小結 214
第Ⅲ部分 打擊欺詐
第8 章 圖欺詐檢測的基本方法 217
8.1 欺詐預防和檢測 218
8.2 圖在打擊欺詐行為中的作用 222
8.3 鋪墊：基本方法 229
8.3.1 尋找信用卡詐騙的源頭 229
8.3.2 識別欺詐環 236
8.3.3 圖方法的優點 242
8.4 本章小結 242
第9 章 基於鄰近算法 243
9.1 基於鄰近算法：介紹 244
9.2 基於距離的方法 245
9.2.1 將交易存儲為圖 247
9.2.2 創建k 最近鄰圖 248
9.2.3 識別欺詐交易 255
9.2.4 圖方法的優點 263
9.3 本章小結 263
第10 章 社交網絡分析反欺詐 264
10.1 社交網絡分析概念 266
10.2 基於分數的方法 269
10.2.1 鄰域度量 272
10.2.2 中心性指標 278
10.2.3 集體推理算法 285
10.3 基於聚類的方法 289
10.4 圖的優點 293
10.5 本章小結 294
第Ⅳ部分 用圖訓練文本
第11 章 基於圖的自然語言處理 297
11.1 一個基本方法：存儲和訪問單詞序列 300
11.2 NLP 和圖 309
11.3 本章小結 322
第12 章 知識圖譜 323
12.1 知識圖譜：介紹 323
12.2 知識圖譜構建：實體 327
12.3 知識圖譜構建：關系 334
12.4 語義網絡 341
12.5 無監督關鍵字提取 346
12.5.1 關鍵字共現圖 353
12.5.2 聚類關鍵字和主題識別 354
12.6 圖方法的優點 357
12.7 本章小結 357
附錄A 機器學習算法分類 359
附錄B Neo4j 362
附錄C 處理圖模式和工作流 374
附錄D 表示圖 381
