动手学图机器学习

1星价 ¥96.0 (7.5折)

2星价￥96.0 定价￥128.0

作者：[英]亚历山德罗·内格罗（Alessan

出版社：清华大学出版社

暂无评论

图文详情

ISBN：9787302660422
装帧：平装-胶订
册数：暂无
重量：暂无
开本：其他
页数：0
出版时间：2024-06-01
条形码：9787302660422 ; 978-7-302-66042-2

本书特色

《动手学图机器学习》并不是一本纯粹介绍图机器学习理论的著作，Alessandro Negro 博士作为科学家和 Reco4 公司的 CEO，长期维护图数据源的推荐系统。他结合机器学习工程和图机器学习方法，通过推荐引擎、欺诈检测和知识图谱等案例，讲述了图机器学习工程实战。他以源代码为示例，逐步讲述其实现过程，以及如何更有效地管理图数据、实施算法、存储预测模型和可视化结果。本书适合作为数据科学家和数据科学从业者以及企业工程师的参考书。
《动手学图机器学习》内容涉及图数据工程、图数据库存储、图机器学习技术、图机器学习结果可视化，涵盖了整个软件工程的生命周期。建议读者借鉴这种思维模式，将这种工程思维模式迁移到其他机器学习项目实战中。另外，本书很好地将图机器学习算法和应用案例相结合，以核心代码为例进行讲解，如果读者要思考机器学习理论如何解决实际项目问题，本书值得借鉴。在现实中，往往很难用前沿技术来解决实际问题，机器学习项目也很难落地，本书在这两个方面有很多值得借鉴的意义。此外，从本书中也可发现，单一的算法或模型很难解决实际问题，往往要使用混合模型或者将多个机器学习算法相结合形成混合机器学习算法，本书在这方面也值得借鉴，例如，近几年新兴的概率图模型、图深度学习、贝叶斯深度学习、深度强化学习等混合机器学习算法，可以将本书的经验迁移到实际的应用场景中。

内容简介

识别关系是机器学习的基础。通过识别和分析数据中的关系，以图为核心的算法(如K-邻近或PageRank)显著提高了机器学习应用的效率。基于图的机器学习技术以全新方式为社交网络、欺诈检测、自然语言处理和推荐系统等领域的机器学习提供了强有力的支持。《动手学图机器学习》是行业类的**书籍，旨在倾授如何利用面向图的机器学习算法和工具，充分挖掘结构化和非结构化数据集中的自然关系，读者可以从中吸收图架构和图设计实践的精髓，并学会从容避开常见的陷阱。作者Alessandro Negro通过真实的应用示例，将GraphML(一种图建模语言)概念与实际任务完美联系起来，使读者能够更好地理解图技术在机器学习中的价值，并熟练应用该技术。 ● 大数据平台中的图 ● 推荐、自然语言处理、欺诈检测 ● 图算法 ● 与Neo4j图数据库协作

第Ⅰ部分导论
第1 章机器学习和图：介绍 3
1.1 机器学习项目生命周期 5
1.1.1 业务理解 6
1.1.2 数据理解 6
1.1.3 数据预处理 7
1.1.4 建模 7
1.1.5 评估 8
1.1.6 部署 8
1.2 机器学习挑战 8
1.2.1 事实来源 8
1.2.2 性能 11
1.2.3 存储模型 11
1.2.4 即时性 12
1.3 图 12
1.3.1 什么是图 12
1.3.2 图作为网络模型 15
1.4 图在机器学习中的作用 20
1.4.1 数据管理 21
1.4.2 数据分析 21
1.4.3 数据可视化 22
1.5 本书心智模型 22
1.6 本章小结 23
第2 章图数据工程 24
2.1 处理大数据 26
2.1.1 数量 27
2.1.2 速度 29
2.1.3 多样性 31
2.1.4 真实性 32
2.2 大数据平台中的图 33
2.2.1 图对于大数据很有价值 34
2.2.2 图对于主数据管理意义重大 40
2.3 图数据库 44
2.3.1 图数据库管理 45
2.3.2 分片 47
2.3.3 复制 49
2.3.4 原生与非原生图数据库 51
2.3.5 标签属性图 55
2.4 本章小结 56
第3 章图在机器学习应用中的作用 58
3.1 机器学习工作流中的图 59
3.2 管理数据源 61
3.2.1 监控目标 64
3.2.2 检测欺诈 67
3.2.3 识别供应链中的风险 69
3.2.4 推荐条目 70
3.3 算法 76
3.3.1 识别供应链中的风险 76
3.3.2 在文档中查找关键词 78
3.3.3 监控目标 80
3.4 存储并访问机器学习模型 81
3.4.1 推荐条目 82
3.4.2 监控目标 84
3.5 可视化 87
3.6 剩余部分：深度学习和图神经网络 89
3.7 本章小结 91
第Ⅱ部分推荐
第4 章基于内容的推荐 97
4.1 表示条目特征 99
4.2 对用户进行建模 112
4.3 提供推荐 118
4.4 图方法的优点 137
4.5 本章小结 137
第5 章协同过滤 138
5.1 协同过滤推荐 141
5.2 为User-Item 数据集创建二部图 142
5.3 计算*近邻网络 147
5.4 提供推荐 156
5.5 处理冷启动问题 161
5.6 图方法的优点 164
5.7 本章小结 165
第6 章基于会话的推荐 166
6.1 基于会话的方法 166
6.2 事件链和会话图 169
6.3 提供推荐 174
6.3.1 基于条目的k-NN 175
6.3.2 基于会话的k-NN 180
6.4 图方法的优点 185
6.5 本章小结 185
第7 章上下文感知和混合推荐 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 提供推荐 193
7.1.3 图方法的优点 208
7.2 混合推荐引擎 209
7.2.1 多模型，单图 210
7.2.2 提供推荐 212
7.2.3 图方法的优点 214
7.3 本章小结 214
第Ⅲ部分打击欺诈
第8 章图欺诈检测的基本方法 217
8.1 欺诈预防和检测 218
8.2 图在打击欺诈行为中的作用 222
8.3 铺垫：基本方法 229
8.3.1 寻找信用卡诈骗的源头 229
8.3.2 识别欺诈环 236
8.3.3 图方法的优点 242
8.4 本章小结 242
第9 章基于邻近算法 243
9.1 基于邻近算法：介绍 244
9.2 基于距离的方法 245
9.2.1 将交易存储为图 247
9.2.2 创建k *近邻图 248
9.2.3 识别欺诈交易 255
9.2.4 图方法的优点 263
9.3 本章小结 263
第10 章社交网络分析反欺诈 264
10.1 社交网络分析概念 266
10.2 基于分数的方法 269
10.2.1 邻域度量 272
10.2.2 中心性指标 278
10.2.3 集体推理算法 285
10.3 基于聚类的方法 289
10.4 图的优点 293
10.5 本章小结 294
第Ⅳ部分用图训练文本
第11 章基于图的自然语言处理 297
11.1 一个基本方法：存储和访问单词序列 300
11.2 NLP 和图 309
11.3 本章小结 322
第12 章知识图谱 323
12.1 知识图谱：介绍 323
12.2 知识图谱构建：实体 327
12.3 知识图谱构建：关系 334
12.4 语义网络 341
12.5 无监督关键字提取 346
12.5.1 关键字共现图 353
12.5.2 聚类关键字和主题识别 354
12.6 图方法的优点 357
12.7 本章小结 357
附录A 机器学习算法分类 359
附录B Neo4j 362
附录C 处理图模式和工作流 374
附录D 表示图 381

展开全部