【2020新书】图机器学习Neo4j算法与应用，142页pdf

2020 年 10 月 21 日 专知

https://www.manning.com/books/graph-powered-machine-learning

机器学习的核心是有效地识别数据中的模式和关系。许多任务，例如查找词汇之间的关联以便您能够做出准确的搜索建议，或者在社交网络中定位具有相似兴趣的个人，很自然地以图Graph的形式表达出来。图驱动机器学习教你如何使用基于图形的算法和数据组织策略来开发高级的机器学习应用程序。

对这项技术

对于任何涉及到大型数据集中的模式匹配的任务，基于图的机器学习都是一个非常强大的工具。应用程序包括安全问题，如识别欺诈或检测网络入侵，应用程序领域，如社交网络或自然语言处理，以及更好的用户体验，通过准确的推荐和智能搜索。通过将数据组织和分析为图形，您的应用程序可以更流畅地使用以图形为中心的算法(如最近邻算法或页面排名算法)，在这些算法中，快速识别和利用相关关系非常重要。现代图形数据存储(如Neo4j或Amazon Neptune)是支持图形机器学习的现成工具。

关于这本书

图驱动机器学习向您介绍图技术概念，强调图在机器学习和大数据平台中的作用。您将深入了解各种技术，包括数据源建模、算法设计、链接分析、分类和集群。在掌握核心概念之后，您将探索三个端到端项目，它们将演示体系结构、最佳设计实践、优化方法和常见缺陷。作者亚历山德罗·内格罗在构建基于图形的机器学习系统方面的丰富经验在每一章中都有所体现，你可以从他与真实客户合作的实例和具体场景中学习!

里面有什么

机器学习项目的生命周期
三端到端应用程序
大数据平台中的图形
数据源建模
自然语言处理、推荐和相关搜索
优化方法

本部分导读

200多年前，当莱昂哈德•欧拉(Leonhard Euler)第一次勾勒出图论的基本原理时，他不可能想到他的理论在社会和工业中会有如此多的应用。(话又说回来，欧拉的天才很有可能想象出这样的应用。)今天，图表无处不在:从欺诈检测和社交网络到推荐引擎，当然还有机器学习。

图模型的通用性使得它对机器学习的实践非常有价值。秘诀在于上下文。通过使连接更加明确，图表通过上下文的力量增强了老式的机器学习方法。例如，推荐引擎从增加的数据上下文中获益良多。

这正是我在这篇文章中想要讲的内容。这本由neo4j赞助的书节选了我的书《图形驱动的机器学习》中的三个关键章节。

第3章讨论了图在机器学习中的应用。我们将介绍机器学习工作流中的图形技术，包括数据源、图形算法和数据可视化。还讨论了作为处理模式的图形和图形定义的工作流，并分别给出了具体的示例。
第4章介绍了推荐引擎，重点介绍了基于内容的推荐。我们将进一步了解用户数据和项特性的建模。我们还将研究在推荐引擎中使用图的明显优势。
第7章深入介绍了上下文感知和混合推荐引擎。这个高级材料展示了数据上下文如何增加您的推荐的相关性，以及如何使用图表来传递关键上下文。最后，我们将讨论混合推荐引擎，它结合了书中讨论的每种推荐范例的优点。

我希望你喜欢这本书的节选，并发现它对你作为一个机器学习专业人员的实践有帮助。为了更深入地了解它，您可以直接从Manning出版物购买整本书，我希望它能激发您对在下一个图形驱动的机器学习项目中使用Neo4j的兴趣。