Facility Verification
Please verify the inmate's facility before purchasing.
OR
This Publication is Restricted at this Facility.
Descripción
Una guía práctica para potentes modelos de aprendizaje profundo basados en gráficos. Redes neuronales gráficas en acción le enseña a construir redes neuronales gráficas de vanguardia para motores de recomendación, modelado molecular y más. Esta guía completa cubre las bibliotecas GNN esenciales, incluyendo PyTorch Geometric, DeepGraph Library y GraphScope de Alibaba para el entrenamiento a escala. En Redes neuronales gráficas en acción, aprenderá a: - Entrenar y desplegar una red neuronal gráfica
- Generar incrustaciones de nodos
- Usar GNNs a escala para conjuntos de datos muy grandes
- Construir una tubería de datos gráficos
- Crear un esquema de datos gráficos
- Comprender la taxonomía de las GNNs
- Manipular datos gráficos con NetworkX En Redes neuronales gráficas en acción aprenderá a diseñar y entrenar sus modelos, y a convertirlos en aplicaciones prácticas que podrá implementar en producción. Ponga manos a la obra y explore proyectos relevantes del mundo real mientras se sumerge en redes neuronales gráficas perfectas para la predicción de nodos, la predicción de enlaces y la clasificación de gráficos. Prólogo de Matthias Fey. La compra del libro impreso incluye un eBook gratuito en formatos PDF y ePub de Manning Publications. Sobre la tecnología Los gráficos son una forma natural de modelar las relaciones y jerarquías de los datos del mundo real. Las redes neuronales gráficas (GNNs) optimizan el aprendizaje profundo para datos altamente conectados, como en motores de recomendación y redes sociales, junto con aplicaciones especializadas como el modelado molecular para el descubrimiento de fármacos. Sobre el libro Redes neuronales gráficas en acción le enseña cómo analizar y hacer predicciones sobre datos estructurados como gráficos. Trabajará con redes convolucionales de gráficos, redes de atención y autocodificadores para abordar tareas como la clasificación de nodos, la predicción de enlaces, el trabajo con datos temporales y la clasificación de objetos. En el camino, aprenderá los mejores métodos para entrenar e implementar GNNs a escala, ¡todo claramente ilustrado con código Python bien anotado! Qué incluye - Entrenar y desplegar una red neuronal gráfica
- Generar incrustaciones de nodos
- Usar GNNs para conjuntos de datos muy grandes
- Construir una tubería de datos gráficos Sobre el lector Para programadores de Python familiarizados con el aprendizaje automático y los conceptos básicos del aprendizaje profundo. Sobre el autor Keita Broadwater, PhD, MBA es un ingeniero experimentado en aprendizaje automático. Namid Stillman, PhD es un científico investigador e ingeniero de aprendizaje automático con más de 20 publicaciones revisadas por pares. Tabla de Contenidos Parte 1
1 Descubriendo las redes neuronales gráficas
2 Incrustaciones de gráficos
Parte 2
3 Redes neuronales convolucionales de grafos y GraphSAGE
4 Redes de atención de grafos
5 Autoencoders de grafos
Parte 3
6 Grafos dinámicos: GNNs espacio-temporales
7 Aprendizaje e inferencia a escala
8 Consideraciones para proyectos GNN
A Descubriendo grafos
B Instalación y configuración de PyTorch Geometric
Autor: Keita Broadwater, Namid Stillman
Editorial: Manning Publications
Publicado: 15/04/2025
Páginas: 392
Tipo de encuadernación: Tapa blanda
Peso: 1.45 libras
Tamaño: 9.20h x 7.40w x 0.80d
ISBN13: 9781617299056
ISBN10: 1617299057
Categorías BISAC:
- Computadoras | Lenguajes | Python
- Computadoras | Ciencia de Datos | Aprendizaje Automático
- Computadoras | Ciencia de Datos | Redes Neuronales
- Generar incrustaciones de nodos
- Usar GNNs a escala para conjuntos de datos muy grandes
- Construir una tubería de datos gráficos
- Crear un esquema de datos gráficos
- Comprender la taxonomía de las GNNs
- Manipular datos gráficos con NetworkX En Redes neuronales gráficas en acción aprenderá a diseñar y entrenar sus modelos, y a convertirlos en aplicaciones prácticas que podrá implementar en producción. Ponga manos a la obra y explore proyectos relevantes del mundo real mientras se sumerge en redes neuronales gráficas perfectas para la predicción de nodos, la predicción de enlaces y la clasificación de gráficos. Prólogo de Matthias Fey. La compra del libro impreso incluye un eBook gratuito en formatos PDF y ePub de Manning Publications. Sobre la tecnología Los gráficos son una forma natural de modelar las relaciones y jerarquías de los datos del mundo real. Las redes neuronales gráficas (GNNs) optimizan el aprendizaje profundo para datos altamente conectados, como en motores de recomendación y redes sociales, junto con aplicaciones especializadas como el modelado molecular para el descubrimiento de fármacos. Sobre el libro Redes neuronales gráficas en acción le enseña cómo analizar y hacer predicciones sobre datos estructurados como gráficos. Trabajará con redes convolucionales de gráficos, redes de atención y autocodificadores para abordar tareas como la clasificación de nodos, la predicción de enlaces, el trabajo con datos temporales y la clasificación de objetos. En el camino, aprenderá los mejores métodos para entrenar e implementar GNNs a escala, ¡todo claramente ilustrado con código Python bien anotado! Qué incluye - Entrenar y desplegar una red neuronal gráfica
- Generar incrustaciones de nodos
- Usar GNNs para conjuntos de datos muy grandes
- Construir una tubería de datos gráficos Sobre el lector Para programadores de Python familiarizados con el aprendizaje automático y los conceptos básicos del aprendizaje profundo. Sobre el autor Keita Broadwater, PhD, MBA es un ingeniero experimentado en aprendizaje automático. Namid Stillman, PhD es un científico investigador e ingeniero de aprendizaje automático con más de 20 publicaciones revisadas por pares. Tabla de Contenidos Parte 1
1 Descubriendo las redes neuronales gráficas
2 Incrustaciones de gráficos
Parte 2
3 Redes neuronales convolucionales de grafos y GraphSAGE
4 Redes de atención de grafos
5 Autoencoders de grafos
Parte 3
6 Grafos dinámicos: GNNs espacio-temporales
7 Aprendizaje e inferencia a escala
8 Consideraciones para proyectos GNN
A Descubriendo grafos
B Instalación y configuración de PyTorch Geometric
Autor: Keita Broadwater, Namid Stillman
Editorial: Manning Publications
Publicado: 15/04/2025
Páginas: 392
Tipo de encuadernación: Tapa blanda
Peso: 1.45 libras
Tamaño: 9.20h x 7.40w x 0.80d
ISBN13: 9781617299056
ISBN10: 1617299057
Categorías BISAC:
- Computadoras | Lenguajes | Python
- Computadoras | Ciencia de Datos | Aprendizaje Automático
- Computadoras | Ciencia de Datos | Redes Neuronales
Sobre el autor
Keita Broadwater, PhD, MBA es un ingeniero de aprendizaje automático con más de diez años ejecutando aplicaciones y proyectos de ciencia de datos, análisis y aprendizaje automático. Es Jefe de Aprendizaje Automático en candidates.ai, una empresa que utiliza la IA para mejorar la búsqueda de ejecutivos. El Dr. Broadwater ha entregado proyectos de DS y ML para todo tipo de organizaciones, desde pequeñas startups hasta empresas de Fortune 500, y ha desarrollado y asesorado en proyectos relacionados con gráficos en las industrias de seguros, recursos humanos y contratación, y cadena de suministro.