یادگیری ماشین مبتنی بر گراف ۲۰۲۱
Graph-Powered Machine Learning 2021

**مدل‌های یادگیری ماشین خود را با الگوریتم‌های مبتنی بر گراف ارتقا دهید، ساختاری ایده‌آل برای داده‌های پیچیده و به‌هم‌پیوسته.**

خلاصه
در کتاب *یادگیری ماشین مبتنی بر گراف* می‌آموزید:

* چرخه حیات یک پروژه یادگیری ماشین
* گراف‌ها در پلتفرم‌های داده‌های بزرگ
* مدل‌سازی منابع داده با استفاده از گراف‌ها
* پردازش زبان طبیعی، سیستم‌های پیشنهادگر و تکنیک‌های تشخیص تقلب مبتنی بر گراف
* الگوریتم‌های گراف
* کار با Neo4J

کتاب *یادگیری ماشین مبتنی بر گراف* به شما می‌آموزد که چگونه از الگوریتم‌های مبتنی بر گراف و استراتژی‌های سازماندهی داده‌ها برای توسعه برنامه‌های کاربردی یادگیری ماشین برتر استفاده کنید. شما به نقش گراف‌ها در یادگیری ماشین و پلتفرم‌های داده‌های بزرگ خواهید پرداخت و نگاهی عمیق به مدل‌سازی منابع داده، طراحی الگوریتم، سیستم‌های پیشنهادگر و تشخیص تقلب خواهید داشت. پروژه‌های سرتاسری را کاوش کنید که معماری‌ها را به تصویر می‌کشند و به شما کمک می‌کنند تا با بهترین شیوه‌های طراحی بهینه‌سازی کنید. تجربه گسترده نویسنده، الساندرو نگرو، در هر فصل می‌درخشد، زیرا شما از مثال‌ها و سناریوهای ملموس بر اساس کار او با مشتریان واقعی یاد می‌گیرید!

خرید نسخه چاپی کتاب شامل یک کتاب الکترونیکی رایگان در قالب‌های PDF، Kindle و ePub از Manning Publications است.

درباره فناوری
شناسایی روابط، اساس یادگیری ماشین است. با تشخیص و تجزیه و تحلیل ارتباطات در داده‌های خود، الگوریتم‌های متمرکز بر گراف مانند K-نزدیک‌ترین همسایه یا PageRank، اثربخشی برنامه‌های کاربردی ML را به شدت بهبود می‌بخشند. تکنیک‌های یادگیری ماشین مبتنی بر گراف، دیدگاه جدید و قدرتمندی برای یادگیری ماشین در شبکه‌های اجتماعی، تشخیص تقلب، پردازش زبان طبیعی و سیستم‌های پیشنهادگر ارائه می‌دهند.

درباره کتاب
کتاب *یادگیری ماشین مبتنی بر گراف* به شما می‌آموزد که چگونه از روابط طبیعی موجود در مجموعه‌داده‌های ساختاریافته و بدون ساختار، با استفاده از الگوریتم‌ها و ابزارهای یادگیری ماشین مبتنی بر گراف بهره‌برداری کنید. در این کتاب معتبر، شما بر معماری‌ها و شیوه‌های طراحی گراف‌ها مسلط می‌شوید و از اشتباهات رایج اجتناب می‌کنید. الساندرو نگرو، نویسنده، نمونه‌هایی از برنامه‌های کاربردی دنیای واقعی را بررسی می‌کند که مفاهیم GraphML را به وظایف دنیای واقعی مرتبط می‌کند.

مطالب داخل کتاب

* گراف‌ها در پلتفرم‌های داده‌های بزرگ
* سیستم‌های پیشنهادگر، پردازش زبان طبیعی، تشخیص تقلب
* الگوریتم‌های گراف
* کار با پایگاه داده گراف Neo4J

درباره خواننده
برای خوانندگانی که با اصول اولیه یادگیری ماشین آشنا هستند.

درباره نویسنده
**الساندرو نگرو** دانشمند ارشد در GraphAware است. او در بسیاری از کنفرانس‌ها سخنرانی کرده است و دارای مدرک دکترا در علوم کامپیوتر است.

فهرست مطالب
بخش 1 مقدمه
1 یادگیری ماشین و گراف‌ها: یک مقدمه
2 مهندسی داده‌های گراف
3 گراف‌ها در برنامه‌های کاربردی یادگیری ماشین
بخش 2 پیشنهادها
4 پیشنهادات مبتنی بر محتوا
5 فیلتر کردن مشارکتی
6 پیشنهادات مبتنی بر جلسه
7 پیشنهادات آگاه از زمینه و ترکیبی
بخش 3 مبارزه با تقلب
8 رویکردهای اساسی برای تشخیص تقلب مبتنی بر گراف
9 الگوریتم‌های مبتنی بر مجاورت
10 تجزیه و تحلیل شبکه اجتماعی علیه تقلب
بخش 4 رام کردن متن با گراف‌ها
11 پردازش زبان طبیعی مبتنی بر گراف
12 گراف‌های دانش

Upgrade your machine learning models with graph-based algorithms, the perfect structure for complex and interlinked data.

Summary
In Graph-Powered Machine Learning, you will learn:

The lifecycle of a machine learning project
Graphs in big data platforms
Data source modeling using graphs
Graph-based natural language processing, recommendations, and fraud detection techniques
Graph algorithms
Working with Neo4J

Graph-Powered Machine Learning teaches to use graph-based algorithms and data organization strategies to develop superior machine learning applications. You’ll dive into the role of graphs in machine learning and big data platforms, and take an in-depth look at data source modeling, algorithm design, recommendations, and fraud detection. Explore end-to-end projects that illustrate architectures and help you optimize with best design practices. Author Alessandro Negro’s extensive experience shines through in every chapter, as you learn from examples and concrete scenarios based on his work with real clients!

Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.

About the technology
Identifying relationships is the foundation of machine learning. By recognizing and analyzing the connections in your data, graph-centric algorithms like K-nearest neighbor or PageRank radically improve the effectiveness of ML applications. Graph-based machine learning techniques offer a powerful new perspective for machine learning in social networking, fraud detection, natural language processing, and recommendation systems.

About the book
Graph-Powered Machine Learning teaches you how to exploit the natural relationships in structured and unstructured datasets using graph-oriented machine learning algorithms and tools. In this authoritative book, you’ll master the architectures and design practices of graphs, and avoid common pitfalls. Author Alessandro Negro explores examples from real-world applications that connect GraphML concepts to real world tasks.

What’s inside

Graphs in big data platforms
Recommendations, natural language processing, fraud detection
Graph algorithms
Working with the Neo4J graph database

About the reader
For readers comfortable with machine learning basics.

About the author
Alessandro Negro is Chief Scientist at GraphAware. He has been a speaker at many conferences, and holds a PhD in Computer Science.

Table of Contents
PART 1 INTRODUCTION
1 Machine learning and graphs: An introduction
2 Graph data engineering
3 Graphs in machine learning applications
PART 2 RECOMMENDATIONS
4 Content-based recommendations
5 Collaborative filtering
6 Session-based recommendations
7 Context-aware and hybrid recommendations
PART 3 FIGHTING FRAUD
8 Basic approaches to graph-powered fraud detection
9 Proximity-based algorithms
10 Social network analysis against fraud
PART 4 TAMING TEXT WITH GRAPHS
11 Graph-based natural language processing
12 Knowledge graphs