掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
買過本商品的人還買了
數據分析之圖算法 基于Spark和Neo4j 版權信息
- ISBN：9787115546678
- 條形碼：9787115546678 ; 978-7-115-54667-8
- 裝幀：簡裝本
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
數據分析之圖算法 基于Spark和Neo4j 本書特色
1.圖算法為構建智能應用程序提供了快速建模的框架，有助于更準確、更快速地做出預測；
2.本書作者是Neo4j公司開發者關系工程師，Neo4j認證專家，在圖分析領域深耕多年；
3.本書基于Spark和Neo4j講解路徑查找算法、中心性算法、社團發現算法等近20種常用的圖算法；
4.書中實例豐富，商品推薦和欺詐檢測在內的許多人工智能問題能轉換為圖論問題。莎士比亞曾說，世界是一個大舞臺。在今天看來，世界是一張大圖！將人物和事件視作節點，將節點之間的關系連成線，我們就能將錯綜復雜的關系網絡轉化為圖，通過圖分析洞悉復雜問題的本質。圖算法已經廣泛應用于數據分析領域，營銷歸因分析、欺詐網絡檢測、客戶旅程建模、安全事故原因分析，甚至連莎士比亞戲劇的劇情分析，都會用到圖算法。學習圖算法有助于利用數據間的關系研究智能解決方案，并構建增強機器學習模型。本書作者來自Neo4j公司，在圖分析領域深耕多年。你將跟隨他們領略美妙的圖算法世界，并利用流行平臺Spark和Neo4j實現常用的圖算法。- 了解如何利用圖分析揭示數據的預測性特征
- 了解如何實現近20種流行的圖算法
- 了解各種圖算法的適用場景
- 跟隨示例在Spark和Neo4j中應用圖算法
- 結合Spark和Neo4j創建機器學習工作流程
數據分析之圖算法 基于Spark和Neo4j 內容簡介
圖分析可以揭示復雜系統和大規模網絡的運作機制，圖算法為構建智能應用程序提供了快速建模的框架，有助于更準確、更快速地做出預測。包括商品推薦和欺詐檢測在內的許多人工智能問題能轉換為圖論問題。本書基于Spark和Neo4j講解近20種常用的圖算法，幫助讀者拓展重要圖分析類型的相關知識和能力，更快速地發現數據中的模式并找到更優的解決方案。
數據分析之圖算法 基于Spark和Neo4j 目錄
序 xi
前言 xiii
第 1章 導論 1
1．1 何謂圖 1
1．2 何謂圖分析和圖算法 3
1．3 圖處理、圖數據庫、圖查詢和圖算法 5
1．4 為何要關心圖算法 6
1．5 圖分析用例 9
1．6 小結 10
第 2章 圖論及其概念 11
2．1 術語 11
2．2 圖的類型和結構 12
2．3 圖的種類 14
2．3．1 連通圖與非連通圖 14
2．3．2 無權圖與加權圖 15
2．3．3 無向圖與有向圖 16
2．3．4 無環圖與有環圖 17
2．3．5 稀疏圖與稠密圖 18
2．3．6 單部圖、二部圖和k部圖 19
2．4 圖算法的類型 21
2．4．1 路徑查找 21
2．4．2 中心性 21
2．4．3 社團發現 22
2．5 小結 22
第3章 圖平臺和圖處理 23
3．1 圖平臺和圖處理的注意事項 23
3．1．1 平臺注意事項 23
3．1．2 處理注意事項 24
3．2 典型平臺 25
3．2．1 選擇平臺 25
3．2．2 Apache Spark 26
3．2．3 Neo4j圖平臺 28
3．3 小結 30
第4章 路徑查找算法和圖搜索算法 31
4．1 示例數據：交通圖 33
4．1．1 將數據導入Spark 35
4．1．2 將數據導入Neo4j 36
4．2 廣度優先搜索 36
4．3 深度優先搜索 38
4．4 *短路徑算法 40
4．4．1 何時使用*短路徑算法 41
4．4．2 使用Neo4j實現*短路徑算法 41
4．4．3 使用Neo4j實現加權*短路徑算法 43
4．4．4 使用Spark實現加權*短路徑算法 44
4．4．5 *短路徑算法的變體：A*算法 46
4．4．6 *短路徑算法的變體：Yen的k*短路徑算法 48
4．5 所有點對*短路徑算法 49
4．5．1 近觀所有點對*短路徑算法 50
4．5．2 何時使用所有點對*短路徑算法 51
4．5．3 使用Spark實現所有點對*短路徑算法 51
4．5．4 使用Neo4j實現所有點對*短路徑算法 52
4．6 單源*短路徑算法 53
4．6．1 何時使用單源*短路徑算法 54
4．6．2 使用Spark實現單源*短路徑算法 55
4．6．3 使用Neo4j實現單源*短路徑算法 57
4．7 *小生成樹算法 57
4．7．1 何時使用*小生成樹算法 58
4．7．2 使用Neo4j實現*小生成樹算法 59
4．8 隨機游走算法 61
4．8．1 何時使用隨機游走算法 61
4．8．2 使用Neo4j實現隨機游走算法 61
4．9 小結 63
第5章 中心性算法 64
5．1 示例數據：社交圖 66
5．1．1 將數據導入Spark 67
5．1．2 將數據導入Neo4j 67
5．2 度中心性算法 68
5．2．1 可達性 68
5．2．2 何時使用度中心性算法 69
5．2．3 使用Spark實現度中心性算法 69
5．3 接近中心性算法 70
5．3．1 何時使用接近中心性算法 71
5．3．2 使用Spark實現接近中心性算法 72
5．3．3 使用Neo4j實現接近中心性算法 74
5．3．4 接近中心性算法變體：Wasserman & Faust算法 75
5．3．5 接近中心性算法變體：調和中心性算法 77
5．4 中間中心性算法 78
5．4．1 橋與控制點 78
5．4．2 計算中間中心性得分 79
5．4．3 何時使用中間中心性算法 79
5．4．4 使用Neo4j實現中間中心性算法 80
5．4．5 中間中心性算法變體：RA-Brandes算法 82
5．5 PageRank算法 83
5．5．1 影響力 84
5．5．2 PageRank算法公式 84
5．5．3 迭代、隨機沖浪者和等級沉沒 85
5．5．4 何時使用PageRank算法 86
5．5．5 使用Spark實現PageRank算法 87
5．5．6 使用Neo4j實現PageRank算法 88
5．5．7 PageRank算法變體：個性化PageRank算法 90
5．6 小結 91
第6章 社團發現算法 92
6．1 示例數據：軟件依賴圖 94
6．1．1 將數據導入Spark 96
6．1．2 將數據導入Neo4j 97
6．2 三角形計數和聚類系數 97
6．2．1 局部聚類系數 97
6．2．2 全局聚類系數 98
6．2．3 何時使用三角形計數和聚類系數 98
6．2．4 使用Spark實現三角形計數算法 99
6．2．5 使用Neo4j實現三角形計數算法 99
6．2．6 使用Neo4j計算局部聚類系數 100
6．3 強連通分量算法 101
6．3．1 何時使用強連通分量算法 102
6．3．2 使用Spark實現強連通分量算法 102
6．3．3 使用Neo4j實現強連通分量算法 103
6．4 連通分量算法 106
6．4．1 何時使用連通分量算法 106
6．4．2 使用Spark實現連通分量算法 106
6．4．3 使用Neo4j實現連通分量算法 107
6．5 標簽傳播算法 108
6．5．1 半監督學習和種子標簽 110
6．5．2 何時使用標簽傳播算法 110
6．5．3 使用Spark實現標簽傳播算法 110
6．5．4 使用Neo4j實現標簽傳播算法 111
6．6 Louvain模塊度算法 113
6．6．1 通過模塊度進行基于質量的分組 114
6．6．2 何時使用Louvain模塊度算法 117
6．6．3 使用Neo4j實現Louvain模塊度算法 118
6．7 驗證社團 122
6．8 小結 122
第7章 圖算法實戰 123
7．1 使用Neo4j分析Yelp數據 123
7．1．1 Yelp社交網絡 124
7．1．2 導入數據 124
7．1．3 圖模型 125
7．1．4 Yelp數據概覽 125
7．1．5 行程規劃應用程序 129
7．1．6 旅游商務咨詢 134
7．1．7 查找相似類別 138
7．2 使用Spark分析航班數據 142
7．2．1 探索性分析 144
7．2．2 熱門機場 144
7．2．3 源自ORD的延誤 145
7．2．4 SFO的糟糕一天 147
7．2．5 通過航空公司互連的機場 149
7．3 小結 154
第8章 使用圖算法增強機器學習 155
8．1 機器學習和上下文的重要性 155
8．2 關聯特征提取與特征選擇 157
8．2．1 圖特征 158
8．2．2 圖算法特征 158
8．3 圖與機器學習實踐：鏈接預測 160
8．3．1 工具和數據 161
8．3．2 將數據導入Neo4j 162
8．3．3 合著者關系圖 163
8．3．4 創建均衡的訓練數據集和測試數據集 164
8．3．5 如何預測缺失鏈接 169
8．3．6 創建機器學習管道 170
8．3．7 預測鏈接：基本圖特征 171
8．3．8 預測鏈接：三角形和聚類系數 181
8．3．9 預測鏈接：社團發現 184
8．4 小結 190
8．5 總結 190
附錄 額外信息及資料 191
關于作者 195
關于封面 195
前言 xiii
第 1章 導論 1
1．1 何謂圖 1
1．2 何謂圖分析和圖算法 3
1．3 圖處理、圖數據庫、圖查詢和圖算法 5
1．4 為何要關心圖算法 6
1．5 圖分析用例 9
1．6 小結 10
第 2章 圖論及其概念 11
2．1 術語 11
2．2 圖的類型和結構 12
2．3 圖的種類 14
2．3．1 連通圖與非連通圖 14
2．3．2 無權圖與加權圖 15
2．3．3 無向圖與有向圖 16
2．3．4 無環圖與有環圖 17
2．3．5 稀疏圖與稠密圖 18
2．3．6 單部圖、二部圖和k部圖 19
2．4 圖算法的類型 21
2．4．1 路徑查找 21
2．4．2 中心性 21
2．4．3 社團發現 22
2．5 小結 22
第3章 圖平臺和圖處理 23
3．1 圖平臺和圖處理的注意事項 23
3．1．1 平臺注意事項 23
3．1．2 處理注意事項 24
3．2 典型平臺 25
3．2．1 選擇平臺 25
3．2．2 Apache Spark 26
3．2．3 Neo4j圖平臺 28
3．3 小結 30
第4章 路徑查找算法和圖搜索算法 31
4．1 示例數據：交通圖 33
4．1．1 將數據導入Spark 35
4．1．2 將數據導入Neo4j 36
4．2 廣度優先搜索 36
4．3 深度優先搜索 38
4．4 *短路徑算法 40
4．4．1 何時使用*短路徑算法 41
4．4．2 使用Neo4j實現*短路徑算法 41
4．4．3 使用Neo4j實現加權*短路徑算法 43
4．4．4 使用Spark實現加權*短路徑算法 44
4．4．5 *短路徑算法的變體：A*算法 46
4．4．6 *短路徑算法的變體：Yen的k*短路徑算法 48
4．5 所有點對*短路徑算法 49
4．5．1 近觀所有點對*短路徑算法 50
4．5．2 何時使用所有點對*短路徑算法 51
4．5．3 使用Spark實現所有點對*短路徑算法 51
4．5．4 使用Neo4j實現所有點對*短路徑算法 52
4．6 單源*短路徑算法 53
4．6．1 何時使用單源*短路徑算法 54
4．6．2 使用Spark實現單源*短路徑算法 55
4．6．3 使用Neo4j實現單源*短路徑算法 57
4．7 *小生成樹算法 57
4．7．1 何時使用*小生成樹算法 58
4．7．2 使用Neo4j實現*小生成樹算法 59
4．8 隨機游走算法 61
4．8．1 何時使用隨機游走算法 61
4．8．2 使用Neo4j實現隨機游走算法 61
4．9 小結 63
第5章 中心性算法 64
5．1 示例數據：社交圖 66
5．1．1 將數據導入Spark 67
5．1．2 將數據導入Neo4j 67
5．2 度中心性算法 68
5．2．1 可達性 68
5．2．2 何時使用度中心性算法 69
5．2．3 使用Spark實現度中心性算法 69
5．3 接近中心性算法 70
5．3．1 何時使用接近中心性算法 71
5．3．2 使用Spark實現接近中心性算法 72
5．3．3 使用Neo4j實現接近中心性算法 74
5．3．4 接近中心性算法變體：Wasserman & Faust算法 75
5．3．5 接近中心性算法變體：調和中心性算法 77
5．4 中間中心性算法 78
5．4．1 橋與控制點 78
5．4．2 計算中間中心性得分 79
5．4．3 何時使用中間中心性算法 79
5．4．4 使用Neo4j實現中間中心性算法 80
5．4．5 中間中心性算法變體：RA-Brandes算法 82
5．5 PageRank算法 83
5．5．1 影響力 84
5．5．2 PageRank算法公式 84
5．5．3 迭代、隨機沖浪者和等級沉沒 85
5．5．4 何時使用PageRank算法 86
5．5．5 使用Spark實現PageRank算法 87
5．5．6 使用Neo4j實現PageRank算法 88
5．5．7 PageRank算法變體：個性化PageRank算法 90
5．6 小結 91
第6章 社團發現算法 92
6．1 示例數據：軟件依賴圖 94
6．1．1 將數據導入Spark 96
6．1．2 將數據導入Neo4j 97
6．2 三角形計數和聚類系數 97
6．2．1 局部聚類系數 97
6．2．2 全局聚類系數 98
6．2．3 何時使用三角形計數和聚類系數 98
6．2．4 使用Spark實現三角形計數算法 99
6．2．5 使用Neo4j實現三角形計數算法 99
6．2．6 使用Neo4j計算局部聚類系數 100
6．3 強連通分量算法 101
6．3．1 何時使用強連通分量算法 102
6．3．2 使用Spark實現強連通分量算法 102
6．3．3 使用Neo4j實現強連通分量算法 103
6．4 連通分量算法 106
6．4．1 何時使用連通分量算法 106
6．4．2 使用Spark實現連通分量算法 106
6．4．3 使用Neo4j實現連通分量算法 107
6．5 標簽傳播算法 108
6．5．1 半監督學習和種子標簽 110
6．5．2 何時使用標簽傳播算法 110
6．5．3 使用Spark實現標簽傳播算法 110
6．5．4 使用Neo4j實現標簽傳播算法 111
6．6 Louvain模塊度算法 113
6．6．1 通過模塊度進行基于質量的分組 114
6．6．2 何時使用Louvain模塊度算法 117
6．6．3 使用Neo4j實現Louvain模塊度算法 118
6．7 驗證社團 122
6．8 小結 122
第7章 圖算法實戰 123
7．1 使用Neo4j分析Yelp數據 123
7．1．1 Yelp社交網絡 124
7．1．2 導入數據 124
7．1．3 圖模型 125
7．1．4 Yelp數據概覽 125
7．1．5 行程規劃應用程序 129
7．1．6 旅游商務咨詢 134
7．1．7 查找相似類別 138
7．2 使用Spark分析航班數據 142
7．2．1 探索性分析 144
7．2．2 熱門機場 144
7．2．3 源自ORD的延誤 145
7．2．4 SFO的糟糕一天 147
7．2．5 通過航空公司互連的機場 149
7．3 小結 154
第8章 使用圖算法增強機器學習 155
8．1 機器學習和上下文的重要性 155
8．2 關聯特征提取與特征選擇 157
8．2．1 圖特征 158
8．2．2 圖算法特征 158
8．3 圖與機器學習實踐：鏈接預測 160
8．3．1 工具和數據 161
8．3．2 將數據導入Neo4j 162
8．3．3 合著者關系圖 163
8．3．4 創建均衡的訓練數據集和測試數據集 164
8．3．5 如何預測缺失鏈接 169
8．3．6 創建機器學習管道 170
8．3．7 預測鏈接：基本圖特征 171
8．3．8 預測鏈接：三角形和聚類系數 181
8．3．9 預測鏈接：社團發現 184
8．4 小結 190
8．5 總結 190
附錄 額外信息及資料 191
關于作者 195
關于封面 195
展開全部
數據分析之圖算法 基于Spark和Neo4j 作者簡介
馬克·尼達姆（Mark Needham）
Neo4j公司開發者關系工程師，Neo4j認證專家，曾深度參與Neo4j因果集群的開發工作。馬克致力于幫助客戶運用圖數據庫，善于針對富有挑戰性的數據問題構建綜合的解決方案。埃米·E. 霍德勒（Amy E. Hodler）
Neo4j公司圖分析與人工智能項目總監，熱愛網絡科學，在圖分析項目的開發和運營方面有著豐富的經驗，曾成功帶領團隊為EDS、微軟、惠普等公司創造新的商機。
書友推薦
- >
伊索寓言-世界文學名著典藏-全譯本
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
煙與鏡
- >
推拿
- >
山海經
- >
莉莉和章魚
- >
龍榆生：詞曲概論/大家小書
- >
苦雨齋序跋文-周作人自編集
本類暢銷
