کتاب Graph Algorithms for Data Science

بخش دوم: تحلیل شبکه

• اولین گام‌ها با زبان پرس‌وجوی Cypher: آشنایی با سینتکس Cypher برای دستکاری و تحلیل داده‌های گرافی.

• تحلیل اکتشافی گراف: کاوش و تحلیل گراف‌ها برای شناسایی الگوها و ارتباطات.

• مقدمه‌ای بر تحلیل شبکه‌های اجتماعی: استفاده از الگوریتم‌هایی مانند PageRank برای تحلیل شبکه‌های اجتماعی.

• پروجکشن شبکه‌های تک‌بخشی: تبدیل داده‌های پیچیده به گراف‌های ساده‌تر.

• استنباط شبکه‌های هم‌رخدادی مبتنی بر گراف‌های دوبخشی: ساخت گراف‌های هم‌رخدادی از داده‌های دوبخشی.

• ساخت شبکه شباهت نزدیک‌ترین همسایه: ایجاد گراف‌های مبتنی بر شباهت برای تحلیل داده‌ها.

بخش سوم: یادگیری ماشین گرافی

• جاسازی گره‌ها و طبقه‌بندی: استفاده از جاسازی گره‌ها برای آماده‌سازی داده‌های گرافی برای یادگیری ماشین.

• پیش‌بینی لینک: پیش‌بینی ارتباطات جدید در گراف‌ها با الگوریتم‌های یادگیری ماشین.

• تکمیل دانش گراف: بهبود گراف‌های دانش با استفاده از مدل‌های یادگیری ماشین.

• ساخت گراف با تکنیک‌های پردازش زبان طبیعی: استخراج گراف‌ها از داده‌های متنی غیرساختاریافته.

این کتاب برای چه کسانی مناسب است؟

کتاب الگوریتم‌های گراف برای علم داده برای افراد زیر مناسب است:

• دانشمندان داده: افرادی که می‌خواهند از گراف‌ها برای تحلیل داده‌های متصل و استخراج بینش استفاده کنند.

• مهندسان یادگیری ماشین: توسعه‌دهندگانی که به دنبال استفاده از گراف‌ها در مدل‌های یادگیری ماشین هستند.

• توسعه‌دهندگان Neo4j: افرادی که می‌خواهند با پایگاه داده گرافی Neo4j و زبان Cypher کار کنند.

• علاقه‌مندان به تحلیل شبکه‌های اجتماعی: افرادی که به تحلیل شبکه‌های اجتماعی، تشخیص تقلب یا توصیه‌گرها علاقه‌مندند.

چرا الگوریتم‌های گرافی مهم هستند؟

گراف‌ها روشی طبیعی برای نمایش و درک داده‌های متصل هستند. با ردیابی ارتباطات بین داده‌ها، گراف‌ها بینش‌های جدیدی را در زمینه‌هایی مانند شبکه‌های اجتماعی، توصیه‌گرها و تشخیص تقلب فراهم می‌کنند. این کتاب با آموزش الگوریتم‌های گرافی مانند PageRank و Community Detection، و استفاده از آن‌ها در Neo4j، شما را برای حل مسائل پیچیده داده‌ای آماده می‌کند. همچنین، با تمرکز بر یادگیری ماشین گرافی، این کتاب به شما کمک می‌کند تا مدل‌های پیشرفته‌ای مانند جاسازی گره‌ها و شبکه‌های عصبی گرافی را در پروژه‌های خود پیاده‌سازی کنید.

یادگیری عملی و پروژه‌محور

یکی از نقاط قوت این کتاب، رویکرد پروژه‌محور آن است. با پروژه‌های جذاب مانند تحلیل شبکه‌های اجتماعی توییتر، ساخت گراف‌های مبتنی بر NLP و تکمیل دانش گراف‌ها، شما می‌توانید مفاهیم را در سناریوهای واقعی پیاده‌سازی کنید. این کتاب با زبانی ساده و تصاویر واضح، الگوریتم‌های پیچیده را به شکلی قابل فهم توضیح می‌دهد و نیازی به تجربه قبلی با گراف‌ها ندارد.

درباره نویسنده

توماژ براتانیچ، متخصص در حوزه گراف‌ها و یادگیری ماشین، تجربه گسترده‌ای در کار با Neo4j و تحلیل داده‌های متصل دارد. او با همکاری مایکل هانگر (نویسنده پیش‌گفتار) و آرتورو گایگل (ویراستار فنی)، این کتاب را به منبعی ارزشمند برای یادگیری عملی تبدیل کرده است.

فهرست مطالب

• بخش اول: مقدمه‌ای بر گراف‌ها

  • گراف‌ها و علم شبکه: مقدمه

  • نمایش ساختار شبکه: طراحی اولین مدل گرافی

• بخش دوم: تحلیل شبکه

  • اولین گام‌ها با زبان پرس‌وجوی Cypher

  • تحلیل اکتشافی گراف

  • مقدمه‌ای بر تحلیل شبکه‌های اجتماعی

  • پروجکشن شبکه‌های تک‌بخشی

  • استنباط شبکه‌های هم‌رخدادی مبتنی بر گراف‌های دوبخشی

  • ساخت شبکه شباهت نزدیک‌ترین همسایه

• بخش سوم: یادگیری ماشین گرافی

  • جاسازی گره‌ها و طبقه‌بندی

  • پیش‌بینی لینک

  • تکمیل دانش گراف

  • ساخت گراف با تکنیک‌های پردازش زبان طبیعی