دانلود کتاب Applied Deep Learning on Graphs

معرفی کتاب Applied Deep Learning on Graphs

اگر به دنبال ورود به حوزه‌ای هستید که هوش مصنوعی و علم داده را با دنیای ارتباطات و گراف‌ها ترکیب می‌کند، کتاب Applied Deep Learning on Graphs نوشته‌ی Lakshya Khandelwal و Subhajoy Das دقیقاً همان چیزی است که به آن نیاز دارید. این اثر که توسط انتشارات معتبر Packt در دسامبر 2024 منتشر شده، تنها یک کتاب آموزشی ساده نیست؛ بلکه نقشه‌ی جامع و کاربردی برای درک عمیق یادگیری عمیق بر روی گراف‌ها است. در 250 صفحه‌ی مملو از مثال‌های واقعی، کدهای قابل اجرا و مطالعه‌ی موردی، نویسندگان تلاش کرده‌اند مفاهیم پیچیده را به زبانی ساده و قابل فهم برای دانشجویان، محققان و مهندسان داده توضیح دهند.

با توجه به رشد انفجاری داده‌های ارتباطی در شبکه‌های اجتماعی، سیستم‌های پیشنهادی، زیست‌اطلاعات و زیرساخت‌های شهری، یادگیری بر روی گراف‌ها به یکی از پردرآمدترین و پرطرفدارترین شاخه‌های یادگیری ماشین تبدیل شده است. این کتاب به شما کمک می‌کند تا با ابزارهای مدرن مانند PyTorch Geometric (PyG), Deep Graph Library (DGL) و TensorFlow Graphs آشنا شوید و بتوانید مسائل واقعی را با استفاده از الگوریتم‌هایی مانند Graph Convolutional Networks (GCNs), GraphSAGE, GAT و Temporal Graph Networks (TGNs) حل کنید.

درباره کتاب Applied Deep Learning on Graphs

کتاب «Applied Deep Learning on Graphs» برخلاف منابع تئوری که فقط مفاهیم ریاضی را ارائه می‌دهند، تمرکز خود را بر جنبه‌ی کاربردی قرار داده است. از همین رو، همزمان با مطالعه‌ی هر فصل، خواننده می‌تواند کدهای پایتونی را اجرا کند و نتایج را روی داده‌های واقعی ببیند. این کتاب برای کسانی طراحی شده که با اصول اولیه‌ی یادگیری عمیق آشنا هستند اما می‌خواهند دانش خود را از تصاویر و متن به داده‌های گرافی گسترش دهند.

در این کتاب یاد می‌گیرید:

• چگونه ساختارهای گرافی را مدلسازی کنید تا الگوهای پنهان را استخراج کنید.
• چگونه گراف‌های استاتیک و گراف‌های زمانی (temporal graphs) را در قالب داده‌هایی برای شبکه‌های عصبی آماده کنید.
• چگونه گراف کانولوشنال (GCN) را از صفر تا صد پیاده‌سازی کنید و برای پیش‌بینی گره (node classification) و پیش‌czygny رابطه (link prediction) به کار بگیرید.
• چگونه گراف‌هایی با اندازه‌ی بزرگ (scalable) را با استفاده از تکنیک‌های نمونه‌گیری و توزیع‌شده آموزش دهید.
• چگونه گراف‌های معرفی‌شده در شبکه‌های اجتماعی، پیشنهاد محصول، تشخیص کلاهبرداری، تحلیل ترافیک شهری و زیست‌اطلاعات را تحلیل کنید.

همچنین کتاب با مثال‌های متعدد از داده‌هایی مانند Cora citation network, Amazon product network, Bitcoin transaction graph, Protein interaction network و Airline flight network همراه است تا خواننده با دنیای واقعی مسائل گرافی آشنا شود.

خلاصه کتاب Applied Deep Learning on Graphs

کتاب در 9 فصل ساختار‌یافته طراحی شده که هر فصل بر یک جنبه‌ی خاص از یادگیری عمیق بر روی گراف‌ها تمرکز دارد. در ادامه خلاصه‌ای از سرفصل‌ها را می‌خوانید:

در پایان هر فصل مجموعه‌ای از تمرین‌های عملی و منابع پیشنهادی برای مطالعه‌ی بیشتر ارائه شده تا خواننده بتواند مهارت‌های خود را محک بزند.

چرا باید کتاب Applied Deep Linking on Graphs را بخوانیم

در دنیای امروز که داده‌ها دیگر فقط جدول‌هایی از اعداد نیستند و به صورت شبکه‌ای از ارتباطات درآمده‌اند، یادگیری بر گراف‌ها یک مهارت حیاتی برای هر متخصص داده محسوب می‌شود. در ادامه دلایل قانع‌کننده‌ای برای خواندن این کتاب ارائه می‌شود:

• بازار کار داغ: شرکت‌هایی مانند Google, Pinterest, LinkedIn, Alibaba و Uber تیمی مجزا برای Graph ML دارند. میانگین حقوق کارشناس گراف یادگیری در ایالات متحده بین 150 تا 250 هزار دلار در سال است.
• کاربردهای بی‌شمار: از پیشنهاد دوست در شبکه‌های اجتماعی تا کشف مواد مخدر در شبکه‌ی انتقال, از شناسایی حساب‌های جعلی تا طراحی داروهای جدید, همه به گراف یادگیری نیاز دارند.
>
• کمبود منبع فارسی: با وجود اهمیت بالا, منابع جامع و کاربردی فارسی در این حوزه بسیار کمی وجود دارد. این کتاب می‌تواند مرجع اصلی فارسی‌زبانان شود.
>
• یادگیری مبتنی بر پروژه: نویسندگان در هر فصل یک mini-project طراحی کرده‌اند تا خواننده بیشترین بهره را از فرآیند یادگیری ببرد.
>
• کدها و داده‌های رایگان: تمام کدها, دیتاست‌ها و نوت‌بوک‌ها در GitHub در دسترس هستند و می‌توانید آن‌ها را fork کرده و با داده‌های خودتان تغییر دهید.
>

اگر به دنبال یک منبع جامع, به‌روز و کاربردی برای ورود یا ارتقا در حوزه Graph ML هستید, این کتاب بهترین انتخاب است.

درباره نویسنده کتاب Laksha Khandelwal, Subhajoy Das

Lakshya Khandelwal پژوهشگر ارشد در Google Research است. او دکتری خود را در یادگیری ماشین از دانشگاه MIT گرفته و مقالات متعددی در کنفرانس‌های KDD, NeurIPS, ICML, ICLR منتشر کرده است. لکشیا در حوزه Graph Neural Networks و بیشترین تمرکز او بر scalable learning on web-scale graphs است. او در تیم Graph Mining در Google+ و بعداً در تیم TensorFlow Graphs فعالیت داشته و جزو بنیان‌گذاران کتابخانه TF-GNN بوده است.

Subhajoy Das دانشمند ارشد داده در Amazon Alexa AI است. او دکتری خود را از دانگاه Carnegie Mellon گرفته و در زمینه graphes for NLP, knowledge graphs, adversarial learning on graphs کار می‌کند. او در تیم Alexa Graph فعال است که از شبکه‌های گرافی برای درک بهتر محتوای چندرسانه‌ای و بهبود پاسخ به کاربران استفاده می‌کند. او همچنین عضو هیئت تحریریه مجله TKDD و reviewer برای conferencessuch as SIGIR, WWW, CIKM.

ترکیب این دو نویسنده از تجربه‌های آکادمیک و صنعتی کتاب را به یک راهنمای بی‌نظیر برای کسانی تبدیل کرده است که می‌خواهند در Graph ML بهترین باشند.

نگاه کلی به کتاب

کتاب «Applied Deep Learning on Graphs» با زبانی ساده و مثال‌های فراوان، مسائل پیچیده را قابل فهم می‌کند. نویسندگان با استفاده از دیتاست‌های واقعی و مثال‌های کاربردی، ارتباط بین تئوری و عمل را به خوبی نشان داده‌اند. سبک نوشتاری آن‌ها به گونه‌ای است که هم دانشجو با دانش برنامه‌نویسی پایه می‌تواند از آن بهره ببرد و هم متخصصی که به دنبال یادگیری مفاهیم پیشرفته است، پاسخ خود را پیدا می‌کند.

نکته‌ی قابل توجه دیگر، پوشش دادن کامل lifecycle یک پروژه Graph ML است؛ از جمع‌آوری داده تا پیش‌پردازش، مدلسازی، ارزیابی و استقرار در محیط واقعی. این ویژگی کتاب را به یک راهنمای جامع تبدیل کرده که در کنار منابع آنلاین، نیاز شما را به منبع دیگری کاهش می‌دهد.

در مجموع، کتابی که پیش رو دارید، فراتر از یک کتاب آموزشی است؛ نقشه‌ی راهی است برای ورود به یکی از پردرآمدترین و پرکاربردترین شاخه‌های یادگیری ماشین در دهه‌ی اخیر.

نتیجه گیری

یادگیری عمیق بر روی گراف‌ها دیگر یک تم انتزاعی نیست؛ بلکه به یک ضرورت در صنعت تبدیل شده است. کتاب Applied Deep Learning on Graphs با پوشش کامل مفاهیم، ابزارها و مطالعه موردهای واقعی، بهترین راهنما برای فارسی‌زبانانی است که می‌خواهند در این حوزه حرفه‌ای شوند. اگر به دنبال تغییر مسیر شغلی یا افزودن مهارتی جدید به رزومه‌تان هستید، این کتاب را از دست ندهید. با خواندن آن، شما نه تنها تئوری را یاد می‌گیرید، بلکه می‌توانید مستقیماً وارد بازار کار شوید و پروژه‌هایی با ارزش میلیون‌ها دلار را به سرانجام برسانید.

دانلود کتاب Applied Deep Learning on Graphs را از طریق سایت سایبر یونی تجربه کنید.