使用图形分析您的数据的实用方法,揭示隐藏的联系和新见解。 图是表示和理解连接数据的自然方式。本书探讨了数据科学中最重要的图算法和技术,提供了关于实施和部署的具体建议。即使您没有图形经验,也可以开始从这本富有洞察力的指南中受益。这些强大的图算法以清晰、无行话的文本和插图解释,使它们易于应用于您自己的项目。 在《数据科学中的图算法》中,您将学到: 标记属性图建模 从结构化数据(如CSV或SQL)构建图 从非结构化数据构建图的自然语言处理(NLP)技术 Cypher查询语言语法,用于操作数据和提取见解 社交网络分析算法,如PageRank和社区检测 如何将图结构翻译为具有节点嵌入模型的ML模型输入 在节点分类和链接预测工作流中使用图特征 《数据科学中的图算法》是一本实用指南,用于处理机器学习、欺诈检测和商业数据分析等应用中的基于图的数据。它充满了有趣和有趣的项目,展示了图的内部和外部。通过分析Twitter、使用NLP技术构建图表等,您将获得实用技能。 作者:Michael Hunger。 购买印刷书包括Manning Publications提供的PDF、Kindle和ePub格式的免费电子书。 关于技术 简单地说,图是连接数据的网络。图是识别和探索数据集内自然发生的重要关系的有效方式。本书介绍了图数据科学中最重要的算法,并结合了机器学习、商业应用、自然语言处理等领域的示例。 关于这本书 《数据科学中的图算法》向您展示如何从结构化和非结构化数据构建和分析图表。在其中,您将学习如何应用PageRank、社区检测/聚类和知识图模型等图算法,通过在手头的数据项目中运用每种新算法来实践它们。这本前沿书籍还展示了如何创建使用节点嵌入来优化AI模型输入的图。 书中内容 创建知识图表 节点分类和链接预测工作流 用于图表构建的NLP技术 关于读者 适用于了解机器学习基础知识的数据科学家。示例使用Cypher查询语言,书中有解释。 关于作者 Tomaž Bratanic在图和机器学习的交叉点工作。 Arturo Geigel是这本书的技术编辑。 目录 第一部分 图的介绍 1 图和网络科学:简介 2 表示网络结构:设计您的第一个图模型 第二部分 社交网络分析 3 使用Cypher查询语言的第一步 4 探索性图分析 5 社交网络分析简介 6 投影单部分网络 7 基于二部网络推断共生网络 8 构建最近邻相似性网络 第三部分 图机器学习 9 节点嵌入和分类 10 链接预测 11 知识图完成 12 使用自然语言处理技术构建图表 Amazon页面