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.