Algoritmos gráficos para la ciencia de datos: With Examples in Neo4j

Opiniones de los lectores

El libro goza de gran prestigio por sus eficaces explicaciones de los algoritmos de grafos y su equilibrio entre teoría y aplicaciones prácticas, lo que lo hace valioso para los científicos de datos y los ingenieros de aprendizaje automático. Se considera oportuno y relevante, especialmente para quienes trabajan con estructuras de datos complejas y análisis de grafos.

Algoritmos de grafos bien explicados, útil para comprender estructuras complejas, aplicaciones prácticas, valioso para científicos de datos y profesionales avanzados, oportuno para las tendencias actuales en IA y representación de grafos.

En las reseñas no se mencionan desventajas específicas.

(basado en 3 opiniones de lectores)

Título original:

Graph Algorithms for Data Science: With Examples in Neo4j

Contenido del libro:

Los grafos son la forma natural de entender los datos conectados. Este libro explora los algoritmos y técnicas más importantes para grafos en ciencia de datos, con ejemplos prácticos y consejos concretos sobre implementación y despliegue.

En Graph Algorithms for Data Science aprenderá:

Modelado de grafos con propiedades etiquetadas.

Construcción de un grafo a partir de datos estructurados como CSV o SQL.

Técnicas de PLN para construir un grafo a partir de datos no estructurados.

Sintaxis del lenguaje de consulta Cypher para manipular datos y extraer información.

Algoritmos de análisis de redes sociales como PageRank y detección de comunidades.

Cómo traducir la estructura de un grafo a la entrada de un modelo ML con modelos de incrustación de nodos.

Uso de las características de los grafos en los flujos de trabajo de clasificación de nodos y predicción de enlaces.

Graph Algorithms for Data Science es una guía práctica para trabajar con datos basados en grafos en aplicaciones como el aprendizaje automático, la detección de fraudes y el análisis de datos empresariales. Está repleto de proyectos fascinantes y divertidos que muestran los entresijos de los gráficos. Adquirirás conocimientos prácticos analizando Twitter, construyendo gráficos con técnicas de PNL y mucho más. No es necesario tener experiencia en grafos para empezar a beneficiarse de esta perspicaz guía. Estos potentes algoritmos de grafos se explican en textos e ilustraciones claros y sin jerga que facilitan su aplicación a sus propios proyectos.

La compra del libro impreso incluye un libro electrónico gratuito en formatos PDF, Kindle y ePub de Manning Publications.

Acerca de la tecnología

Los gráficos revelan las relaciones entre los datos. El seguimiento de estas conexiones entrelazadas revela nuevas percepciones e influencias y le permite analizar cada punto de datos como parte de un todo más amplio. Estos datos interconectados son perfectos para el aprendizaje automático, así como para analizar redes sociales, comunidades e incluso recomendaciones de productos.

Acerca del libro

Graph Algorithms for Data Science le enseña a construir grafos a partir de datos estructurados y no estructurados. Aprenderá a utilizar el flexible lenguaje de consulta Cypher para manipular fácilmente estructuras de grafos y extraer información sorprendente. El libro explora algoritmos de grafos comunes y útiles, como PageRank y algoritmos de detección/agrupamiento de comunidades. Cada nuevo algoritmo que se aprende se pone en práctica al instante para completar un proyecto práctico de datos, que incluye el modelado de una red social. Por último, aprenderá a utilizar los grafos para mejorar su aprendizaje automático, incluyendo la utilización de modelos de incrustación de nodos y redes neuronales de grafos.

Sobre el lector

Para científicos de datos que conocen los fundamentos del aprendizaje automático. Los ejemplos utilizan el lenguaje de consulta Cypher, que se explica en el libro.

Sobre el autor

Tomaz Bratanic es un científico de redes de corazón, que trabaja en la intersección de los grafos y el aprendizaje automático. Ha aplicado estas técnicas de grafos a proyectos de diversos ámbitos, como la detección de fraudes, la biomedicina, el análisis orientado a los negocios y las recomendaciones.