Grafikus adattudomány a Neo4j-vel: Ismerje meg, hogyan használhatja a Neo4j 5-öt a Graph Data Science 2.0 könyvtárral és annak Python meghajtójával a projektjében.

Olvasói vélemények

A „Graph Data Science with Neo4j” című könyvet nagyra értékelik a Neo4j használatával a gráf adattudományi koncepciók átfogó lefedettségéért, amely mind a kezdők, mind a tapasztalt szakemberek számára alkalmas. Gyakorlati példákat, lépésről lépésre történő útmutatást és betekintést nyújt a haladó témákba, így értékes forrás az adattudósok számára.

⬤ Kiválóan alkalmas kezdőknek és tapasztalt felhasználóknak
⬤ gyakorlati példák
⬤ világos lépésről lépésre történő útmutatás
⬤ alapvető és haladó témákat egyaránt tárgyal
⬤ nagy hangsúlyt fektet a valós alkalmazásokra
⬤ tartós referenciaként szolgál
⬤ bemutatja a Neo4j GDSL Python meghajtóját.

⬤ Egyes olvasók úgy találhatják, hogy a könyv bizonyos szintű előzetes tudást feltételez
⬤ a haladó témák mélyebb feltárása néha kívánatos lehet
⬤ a Neo4j nem feltétlenül az egyetlen elérhető lehetőség, ami korlátozhatja a gráfadat-tudomány perspektíváját.

(6 olvasói vélemény alapján)

Eredeti címe:

Graph Data Science with Neo4j: Learn how to use Neo4j 5 with Graph Data Science library 2.0 and its Python driver for your project

Könyv tartalma:

Töltse fel adatait a Neo4j 5, a legmodernebb gépi tanulás elsőszámú gráfadatbázisának határtalan lehetőségeivel

A nyomtatott vagy Kindle könyv megvásárlása egy ingyenes PDF e-könyvet is tartalmaz

Főbb jellemzők:

⬤ Kivonjon értelmes információkat a gráfadatokból a Neo4j legújabb, 5. verziójával.

⬤ Használja a gráf algoritmusokat a Pythonban működő szokásos gépi tanulási csővezetékbe.

⬤ Tanulja meg a Graph Data Science Library alapelveit, hogy előrejelzéseket készítsen és adattudományi pipelineseket hozzon létre.

Könyv leírása:

A Neo4j a Graph Data Science (GDS) könyvtárával együtt teljes körű megoldást jelent a gráfadatok tárolására, lekérdezésére és elemzésére. Mivel a gráfadatbázisok egyre népszerűbbek a fejlesztők körében, az adattudósok valószínűleg találkoznak ilyen adatbázisokkal a pályafutásuk során, így elengedhetetlen készség a gráfalgoritmusokkal való munka a kontextusinformációk kinyerése és a modell általános előrejelzési teljesítményének javítása érdekében.

A Pythonnal dolgozó adattudósok a Neo4j és a GDS könyvtár gyakorlati útmutatója segítségével kamatoztathatják tudásukat, amely lépésről lépésre magyarázatot ad az alapvető fogalmakra és gyakorlati utasításokat kínál az adattudományi technikák gráfadatokon történő megvalósításához a Neo4j legújabb, 5. verziójának és a hozzá kapcsolódó könyvtáraknak a használatával. A Neo4j lekérdezésével kezd a Cypherrel, és megtanulja, hogyan jellemezze a gráfadathalmazokat. Ahogy beletanul a Neo4j-ben tárolt gráfadatokon gráfalgoritmusok futtatásába, megérti a GDS könyvtár új és fejlett képességeit, amelyek lehetővé teszik előrejelzések készítését és adattudományi pipelinek írását. Az újonnan kiadott GDSL Python illesztőprogram segítségével képes lesz arra, hogy gráf algoritmusokat integráljon az ML csővezetékébe.

A könyv végére képes lesz arra, hogy kihasználja az adatkészletében lévő kapcsolatokat, hogy javítsa jelenlegi modelljét, és más típusú, bonyolult előrejelzéseket készítsen.

Amit tanulni fog:

⬤ A Cypher lekérdezési nyelv használata gráfadatbázisok, például a Neo4j lekérdezéséhez.

⬤ Gráf adathalmazok létrehozása saját adatokból és nyilvános tudásgráfokból.

⬤ Gráf-specifikus előrejelzések készítése, például link-előrejelzés.

⬤ Felfedezze a Neo4j legújabb verzióját, hogy gráf adattudományi csővezetéket építsen.

⬤ Futtasson egy scikit-learn előrejelző algoritmust gráfadatokkal.

⬤ Tréning egy prediktív beágyazási algoritmus GDS-ben és a modelltároló kezelése.

Kinek szól ez a könyv:

Ha Ön adattudós vagy adatszakember, aki már rendelkezik a Neo4j alapjaival, és most már készen áll arra, hogy megértse, hogyan lehet fejlett analitikai megoldásokat készíteni, akkor hasznosnak fogja találni ezt a gráfadattudományi könyvet. A könyvben tárgyalt fogalmak követéséhez szükséges az adattudományi projektek Pythonban és Neo4j-ben történő főbb összetevőinek ismerete.