Кожемяка
Не Стучи Дважды
Организатор
- #1
Графовые нейронные сети на Python [Артем Груздев, М. Лабонн]
- Ссылка на картинку
О книге:
Создавайте креативные и мощные приложения с использованием графовых данных и станьте экспертом в графовых нейронных сетях!
Всего через десять лет после своего появления графовые нейронные сети стали одной из самых интересных архитектур в глубоком обучении. Технологические компании пытаются применить их повсюду: в сфере разработки лекарств, в системах рекомендаций еды, видео и поиска романтических партнеров, для выявления фейковых новостей. В этой книге представлены основы теории графов для data science и машинного обучения, а также практические задачи, которые решаются с помощью графовых нейронных сетей.
В процессе чтения вы научитесь:
Студенты, специалисты по data science, а также эксперты в области машинного и глубокого обучения найдут в книге понятные и иллюстрированные объяснения с кодом и тетрадками, чтобы быстро начать работу. Для изучения материала пригодятся базовые знания языка Python и линейной алгебры.
Формат: скан PDF
Создавайте креативные и мощные приложения с использованием графовых данных и станьте экспертом в графовых нейронных сетях!
Всего через десять лет после своего появления графовые нейронные сети стали одной из самых интересных архитектур в глубоком обучении. Технологические компании пытаются применить их повсюду: в сфере разработки лекарств, в системах рекомендаций еды, видео и поиска романтических партнеров, для выявления фейковых новостей. В этой книге представлены основы теории графов для data science и машинного обучения, а также практические задачи, которые решаются с помощью графовых нейронных сетей.
В процессе чтения вы научитесь:
- создавать графовые наборы данных из табличных или исходных данных;
- преобразовывать узлы и ребра в высококачественные эмбеддинги;
- реализовывать графовые нейронные сети с использованием PyTorch Geometric;
- выбирать лучшую модель графовых нейронных сетей в зависимости от вашей задачи;
- выполнять такие задачи, как классификация узлов, генерация графов, предсказание связей;
- применять эти знания к реальным задачам, используя исходные данные.
Студенты, специалисты по data science, а также эксперты в области машинного и глубокого обучения найдут в книге понятные и иллюстрированные объяснения с кодом и тетрадками, чтобы быстро начать работу. Для изучения материала пригодятся базовые знания языка Python и линейной алгебры.
Формат: скан PDF