中圖網小程序
一鍵登錄
更方便
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
動手學圖機器學習 版權信息
- ISBN：9787302660422
- 條形碼：9787302660422 ; 978-7-302-66042-2
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
動手學圖機器學習 本書特色
《動手學圖機器學習》并不是一本純粹介紹圖機器學習理論的著作，Alessandro Negro 博士作為科學家和 Reco4 公司的 CEO，長期維護圖數據源的推薦系統。他結合機器學習工程和圖機器學習方法，通過推薦引擎、欺詐檢測和知識圖譜等案例，講述了圖機器學習工程實戰。他以源代碼為示例，逐步講述其實現過程，以及如何更有效地管理圖數據、實施算法、存儲預測模型和可視化結果。本書適合作為數據科學家和數據科學從業者以及企業工程師的參考書。
《動手學圖機器學習》內容涉及圖數據工程、圖數據庫存儲、圖機器學習技術、圖機器學習結果可視化，涵蓋了整個軟件工程的生命周期。建議讀者借鑒這種思維模式，將這種工程思維模式遷移到其他機器學習項目實戰中。另外，本書很好地將圖機器學習算法和應用案例相結合，以核心代碼為例進行講解，如果讀者要思考機器學習理論如何解決實際項目問題，本書值得借鑒。在現實中，往往很難用前沿技術來解決實際問題，機器學習項目也很難落地，本書在這兩個方面有很多值得借鑒的意義。此外，從本書中也可發現，單一的算法或模型很難解決實際問題，往往要使用混合模型或者將多個機器學習算法相結合形成混合機器學習算法，本書在這方面也值得借鑒，例如，近幾年新興的概率圖模型、圖深度學習、貝葉斯深度學習、深度強化學習等混合機器學習算法，可以將本書的經驗遷移到實際的應用場景中。
動手學圖機器學習 內容簡介
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。基于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，并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，并熟練應用該技術。 ● 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
動手學圖機器學習 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 什么是圖 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 圖對于大數據很有價值 34
2.2.2 圖對于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 存儲并訪問機器學習模型 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 剩余部分：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 基于內容的推薦 97
4.1 表示條目特征 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*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 基于會話的推薦 166
6.1 基于會話的方法 166
6.2 事件鏈和會話圖 169
6.3 提供推薦 174
6.3.1 基于條目的k-NN 175
6.3.2 基于會話的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 基于上下文的方法 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 基于鄰近算法 243
9.1 基于鄰近算法：介紹 244
9.2 基于距離的方法 245
9.2.1 將交易存儲為圖 247
9.2.2 創建k *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 基于分數的方法 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 基于聚類的方法 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 基于圖的自然語言處理 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
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 什么是圖 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 圖對于大數據很有價值 34
2.2.2 圖對于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 存儲并訪問機器學習模型 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 剩余部分：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 基于內容的推薦 97
4.1 表示條目特征 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*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 基于會話的推薦 166
6.1 基于會話的方法 166
6.2 事件鏈和會話圖 169
6.3 提供推薦 174
6.3.1 基于條目的k-NN 175
6.3.2 基于會話的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 基于上下文的方法 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 基于鄰近算法 243
9.1 基于鄰近算法：介紹 244
9.2 基于距離的方法 245
9.2.1 將交易存儲為圖 247
9.2.2 創建k *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 基于分數的方法 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 基于聚類的方法 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 基于圖的自然語言處理 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
展開全部
動手學圖機器學習 作者簡介
Alessandro Negro，GraphAware的首席科學家，是機器學習及圖技術領域的杰出專家。他備受業界認可，是眾多會議爭相邀請的發言人，并擁有計算機科學博士學位。
書友推薦
- >
史學評論
- >
伊索寓言-世界文學名著典藏-全譯本
- >
中國歷史的瞬間
- >
伯納黛特,你要去哪(2021新版)
- >
回憶愛瑪儂
- >
煙與鏡
- >
有舍有得是人生
- >
自卑與超越
本類暢銷
