کتاب Graph Neural Networks in Action

شبکه‌های عصبی گرافی در عمل: راهنمای عملی برای یادگیری عمیق مبتنی بر گراف

آشنایی با شبکه‌های عصبی گرافی

کتاب شبکه‌های عصبی گرافی در عمل، نوشته کیتا برادواتر و نیمید استیلمن، راهنمایی جامع و کاربردی برای توسعه‌دهندگانی است که می‌خواهند از شبکه‌های عصبی گرافی (GNNs) برای تحلیل داده‌های رابطه‌ای و سلسله‌مراتبی استفاده کنند. این کتاب با تمرکز بر ابزارهای کلیدی مانند PyTorch Geometric، DeepGraph Library و GraphScope از Alibaba، شما را در ساخت و استقرار مدل‌های پیشرفته برای کاربردهایی مانند موتورهای پیشنهاد، مدل‌سازی مولکولی و شبکه‌های اجتماعی هدایت می‌کند.

چرا این کتاب را بخوانید؟

شبکه‌های عصبی گرافی (GNNs) روشی قدرتمند برای مدل‌سازی داده‌های متصل مانند شبکه‌های اجتماعی، کشف دارو و سیستم‌های توصیه‌گر هستند. این کتاب با آموزش طراحی، آموزش و استقرار GNNها، شما را در حل مسائل پیچیده مانند پیش‌بینی گره، پیش‌بینی لینک و طبقه‌بندی گراف توانمند می‌کند. با مثال‌های کدنویسی پایتون و پروژه‌های واقعی، این کتاب مهارت‌های لازم برای کار با داده‌های گرافی در مقیاس بزرگ را ارائه می‌دهد.

ویژگی‌های کلیدی کتاب

بخش اول: مبانی شبکه‌های عصبی گرافی

• کشف شبکه‌های عصبی گرافی: آشنایی با مفاهیم و کاربردهای GNN.

• امبدینگ‌های گرافی: تولید نمایش‌های گره برای تحلیل داده.

بخش دوم: مدل‌های پیشرفته GNN

• شبکه‌های کانولوشنی گرافی و GraphSAGE: مدل‌سازی داده‌های گرافی.

• شبکه‌های توجه گرافی: بهبود دقت با مکانیزم توجه.

• اتوانکودرهای گرافی: فشرده‌سازی و بازسازی داده‌های گرافی.

بخش سوم: کاربردهای پیشرفته و مقیاس‌پذیری

• گراف‌های پویا: GNNهای时空: کار با داده‌های زمانی و مکانی.

• یادگیری و استنتاج در مقیاس: مدیریت داده‌های بزرگ با GraphScope.

• ملاحظات پروژه‌های GNN: بهترین روش‌ها برای توسعه و استقرار.

پیوست‌ها

• کشف گراف‌ها: مقدمه‌ای بر ساختارهای گرافی.

• نصب و پیکربندی PyTorch Geometric: راه‌اندازی محیط توسعه.

کاربردهای عملی

این کتاب با پروژه‌های عملی مانند ساخت سیستم‌های توصیه‌گر و مدل‌سازی مولکولی، شما را در استفاده از GNNها برای پیش‌بینی گره، لینک و طبقه‌بندی گراف توانمند می‌کند. از ساخت خط لوله داده گرافی تا استقرار مدل‌ها در مقیاس بزرگ، این کتاب با کدهای پایتون توضیح‌دار، شما را برای پیاده‌سازی راه‌حل‌های واقعی آماده می‌کند.

درباره فناوری

شبکه‌های عصبی گرافی با ابزارهایی مانند PyTorch Geometric و GraphScope، امکان تحلیل داده‌های رابطه‌ای را در مقیاس بزرگ فراهم می‌کنند. این کتاب با تمرکز بر این فناوری‌ها و کتابخانه NetworkX برای دستکاری گراف‌ها، شما را برای توسعه برنامه‌های پیشرفته یادگیری عمیق آماده می‌کند.

مخاطبان کتاب

این کتاب برای برنامه‌نویسان پایتون با دانش پایه در یادگیری ماشین و یادگیری عمیق که می‌خواهند مهارت‌های خود را در تحلیل داده‌های گرافی ارتقا دهند، مناسب است.

درباره نویسندگان

کیتا برادواتر، دارای دکتری و MBA، و نیمید استیلمن، دانشمند تحقیقاتی با بیش از ۲۰ انتشار علمی، با تجربه در مهندسی یادگیری ماشین، دانش و تکنیک‌های خود را با مثال‌های عملی در این کتاب به اشتراک گذاشته‌اند.