خرید و دانلود نسخه کامل کتاب Graph Machine Learning: Take graph data to the next level by applying machine learning techniques and algorithms 1st Edition by Claudio Stamile PDF

آنتونی رابینز میگه : من در 40 سالگی به جایی رسیدم که برای رسیدن بهش 82 سال زمان لازمه و این رو مدیون کتاب خواندن زیاد هستم.

Write Python scripts to extract features from graphs
Distinguish between the main graph representation learning techniques
Learn how to extract data from social networks, financial transaction systems, for text analysis, and more
Implement the main unsupervised and supervised graph embedding techniques
Get to grips with shallow embedding methods, graph neural networks, graph regularization methods, and more
Deploy and scale out your application seamlessly

Who this book is for

This book is for data scientists, data analysts, graph analysts, and graph professionals who want to leverage the information embedded in the connections and relations between data points to boost their analysis and model performance using machine learning. It will also be useful for machine learning developers or anyone who wants to build ML-driven graph databases. A beginner-level understanding of graph databases and graph data is required, alongside a solid understanding of ML basics. You’ll also need intermediate-level Python programming knowledge to get started with this book.
Table of Contents

Getting Started with Graphs
Graph Machine Learning
Unsupervised Graph Learning
Supervised Graph Learning
Problems with Machine Learning on Graphs
Social Network Graphs
Text Analytics and Natural Language Processing Using Graphs
Graph Analysis for Credit Card Transactions
Building a Data-Driven Graph-Powered Application
Novel Trends on Graphs

توضیحات فارسی در مورد کتاب (ترجمه ماشینی)

**ترجمه از انگلیسی به فارسی:**

نوشتن اسکریپت‌های پایتون برای استخراج ویژگی‌ها از گراف‌ها
تفکیک بین تکنیک‌های اصلی یادگیری نمایش گراف
یادگیری نحوه استخراج داده از شبکه‌های اجتماعی، سیستم‌های تراکنش مالی، برای تحلیل متن و موارد دیگر
اجرای تکنیک‌های اصلی نمایش گراف ناظر و نظارت‌شده
آشنایی با روش‌های نمایش سطحی، شبکه‌های عصبی گراف، روش‌های تنظیم گراف و موارد دیگر
استقرار و مقیاس‌دهی بی‌درز برنامه‌های خود

**هدف از این کتاب:**

این کتاب برای دانشمندان داده، تحلیلگران داده، تحلیلگران گراف و متخصصان گراف طراحی شده است که می‌خواهند از اطلاعات نهفته در ارتباطات و روابط بین نقاط داده برای بهبود عملکرد تحلیل و مدل‌سازی خود با استفاده از یادگیری ماشین بهره ببرند. همچنین برای توسعه‌دهندگان یادگیری ماشین یا هر فردی که می‌خواهد پایگاه‌های داده گراف‌محور محرک ML بسازد، مفید خواهد بود. درک سطح مبتدی از پایگاه‌های داده گراف و داده‌های گراف، همراه با درک قوی از مبانی یادگیری ماشین، مورد نیاز است. همچنین برای شروع با این کتاب، دانش برنامه‌نویسی پایتون در سطح متوسط ضروری است.

**محتوای جدول:**

شروع با گراف‌ها
یادگیری ماشین گراف
یادگیری گراف ناظر
یادگیری گراف نظارت‌شده
مشکلات یادگیری ماشین در گراف‌ها
گراف‌های شبکه‌های اجتماعی
تحلیل متن و پردازش زبان طبیعی با استفاده از گراف‌ها
تحلیل گراف برای تراکنش‌های کارت اعتباری
ساختن برنامه‌های مبتنی بر داده و قدرتمند گراف
روندهای نوین در گراف‌ها