Ein praktischer Leitfaden zu leistungsstarken graphbasierten Deep-Learning-Modellen!

Graph Neural Networks in Aktion ist ein großartiger Leitfaden darüber, wie man modernste Graph-Neural-Networks und leistungsstarke Deep-Learning-Modelle für Empfehlungssysteme, Molekülenmodellierung und mehr entwickelt.

Sie lernen, wie man Modelle entwirft und trainiert und wie man sie zu praktischen Anwendungen entwickelt, die in Produktion gehen können. Ideal für Python-Programmierer werden Sie auch gängige Architekturformen von Graph Neural Networks und moderne Bibliotheken kennenlernen, alles klar illustriert mit gut kommentiertem Python-Code.

Die wichtigsten Funktionen umfassen:

• Ein Graph Neural Network trainieren und bereitstellen
• Knoten-Embeddings erzeugen
• GNNs skalieren für sehr große Datensätze
• Eine Graph-Datenpipeline aufbauen
• Ein Graph-Daten-Schema erstellen
• Die Taxonomie der GNNs verstehen
• Graph-Daten mit NetworkX manipulieren

Seien Sie praktisch tätig und erkunden Sie relevante reale Projekte, während Sie in Graph Neural Networks eintauchen, die perfekt für Knotenprognosen, Link-Prognosen und Graphenklassifikationen geeignet sind.

Über die Technologie: Graph Neural Networks erweitern die Fähigkeiten des Deep Learning über traditionelle tabellarische Daten, Texte und Bilder hinaus. Dieser spannende neue Ansatz bringt die erstaunlichen Fähigkeiten des Deep Learning auf Graphdatenstrukturen und eröffnet neue Möglichkeiten – von Empfehlungssystemen bis zur pharmazeutischen Forschung.

Seiten: 350, Maße: 18,7x18,7 cm