소득공제
PDF
eBook
그래프 머신러닝
머신러닝 알고리듬을 적용해 그래프 데이터 활용하기
스마트한 PDF 필기 기능을 사용해 보세요!
- PDF 안내
-
이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.
상세 이미지
소개
목차
|
1부. 그래프 머신러닝 소개
1장. 그래프 시작하기 __기술적 필요 사항 __networkx로 그래프 이해하기 ____그래프의 종류 ____그래프 표현 __그래프 플로팅 ____networkx ____Gephi __그래프 속성 ____통합 측정 지표 ____분리 측정 지표 ____중심성 측정 지표 ____탄력성 측정 지표 __벤치마크 및 저장소 ____간단한 그래프의 예 ____그래프 생성 모델 ____벤치마크 __큰 그래프 다루기 __요약 2장. 그래프 머신러닝 __기술적 필요 사항 __그래프 머신러닝 이해하기 ____머신러닝의 기본 원리 ____그래프 머신러닝의 이점 __일반화된 그래프 임베딩 문제 __그래프 임베딩 머신러닝 알고리듬의 분류 ____임베딩 알고리듬의 분류 __요약 2부. 그래프에서의 머신러닝 3장. 비지도 그래프 학습 __기술적 필요 사항 __비지도 그래프 임베딩 로드맵 __얕은 임베딩 방법 ____행렬 분해 ____그래프 분해 ____고차 근접 보존 임베딩 ____전역 구조 정보를 통한 그래프 표현 ____skip-gram ____DeepWalk ____Node2Vec ____Edge2Vec ____Graph2Vec __오토인코더 ____텐서플로와 케라스-강력한 조합 ____첫 번째 오토인코더 ____노이즈 제거 오토인코더 ____그래프 오토인코더 __그래프 신경망 ____GNN의 변형 ____스펙트럼 그래프 합성곱 ____공간 그래프 합성곱 ____예제로 보는 그래프 합성곱 __요약 4장. 지도 그래프 학습 __기술적 필요 사항 __지도 그래프 임베딩 로드맵 __특징 기반 방법 __얕은 임베딩 방법 ____라벨 전파 알고리듬 ____라벨 확산 알고리듬 __그래프 정규화 방법 ____매니폴드 정규화 및 준지도 임베딩 ____신경 그래프 학습 ____Planetoid __Graph CNN ____GCN을 이용한 그래프 분류 ____GraphSAGE를 이용한 노드 분류 __요약 5장. 그래프에서의 머신러닝 문제 __기술적 필요 사항 __그래프에서 누락된 링크 예측 ____유사성 기반 방법 ____임베딩 기반 방법 __커뮤니티와 같은 의미 있는 구조 감지 ____임베딩 기반 커뮤니티 감지 ____스펙트럼 방법 및 행렬 분해 ____확률 모델 ____비용 함수 최소화 __그래프 유사성 및 그래프 매칭 감지 ____그래프 임베딩 기반 방법 ____그래프 커널 기반 방법 ____GNN 기반 방법 ____응용 __요약 3부. 그래프 머신러닝의 고급 응용 6장. 소셜 네트워크 그래프 __기술적 필요 사항 __데이터셋 개요 ____데이터셋 다운로드 ____networkx로 데이터셋 불러오기 __네트워크 토폴로지 및 커뮤니티 감지 ____토폴로지 개요 ____노드 중심성 ____커뮤니티 감지 __지도 및 비지도 임베딩 ____작업 준비 ____node2vec 기반 링크 예측 ____GraphSAGE 기반 링크 예측 ____링크 예측을 위한 수작업 특징 ____결과 요약 __요약 7장. 그래프를 이용한 텍스트 분석 및 자연어 처리 __기술적 필요 사항 __데이터셋 개요 __자연어 처리에서 사용되는 주요 개념 및 도구 이해 __문서 모음에서 그래프 만들기 ____지식 그래프 ____이분 문서/개체 그래프 __문서 주제 분류기 구축 ____얕은 학습 방법 ____그래프 신경망 __요약 8장. 신용카드 거래에 대한 그래프 분석 __기술적 필요 사항 __데이터셋 개요 ____데이터셋 불러오기 및 networkx 그래프 구축 __네트워크 토폴로지 및 커뮤니티 감지 ____네트워크 토폴로지 ____커뮤니티 감지 __사기 탐지를 위한 지도 및 비지도 임베딩 ____사기 거래 식별에 대한 지도 학습 접근 방식 ____사기 거래 식별에 대한 비지도 학습 접근 방식 __요약 9장. 데이터 드리븐 그래프 기반 응용 프로그램 구축 __기술적 필요 사항 __람다 아키텍처 개요 __그래프 기반 응용 프로그램을 위한 람다 아키텍처 ____그래프 처리 엔진 ____그래프 쿼리 레이어 ____Neo4j와 GraphX 선택 __요약 10장. 그래프의 새로운 트렌드 __그래프의 데이터 증대에 대해 알아보기 ____샘플링 전략 ____데이터 증강 기술 살펴보기 __토폴로지 데이터 분석에 대해 배우기 ____토폴로지 머신러닝 __새로운 영역에 그래프 이론 적용하기 ____그래프 머신러닝 및 신경 과학 ____그래프 이론 및 화학 및 생물학 ____그래프 머신러닝 및 컴퓨터 비전 __추천 시스템 __요약 |
저자 소개 5
Claudio Stamile
2013년 9월 이탈리아 칼라브리아 대학(University of Calabria)에서 컴퓨터 공학 석사 학위를 받았으며, 2017년 9월 벨기에 뢰번 가톨릭 대학(KU Leuven) 및 프랑스 끌로드 베흐노리용 1 대학(Universite Claude Bernard Lyon 1)에서 공동 박사 학위를 받았다. 석박사 학위 과정 동안 생물 의학 분야를 전공하면서 인공지능, 그래프 이론, 머신러닝에 관해 탄탄한 배경 지식을 쌓았다. 현재 최상위 고객이 데이터 기반 전략을 구현하고 인공지능 기반 솔루션을 구축해 효율성을 높이고 새로운 비즈니스 모델을 수행하도록 지원하는 컨설팅 회사인
2013년 9월 이탈리아 칼라브리아 대학(University of Calabria)에서 컴퓨터 공학 석사 학위를 받았으며, 2017년 9월 벨기에 뢰번 가톨릭 대학(KU Leuven) 및 프랑스 끌로드 베흐노리용 1 대학(Universite Claude Bernard Lyon 1)에서 공동 박사 학위를 받았다. 석박사 학위 과정 동안 생물 의학 분야를 전공하면서 인공지능, 그래프 이론, 머신러닝에 관해 탄탄한 배경 지식을 쌓았다. 현재 최상위 고객이 데이터 기반 전략을 구현하고 인공지능 기반 솔루션을 구축해 효율성을 높이고 새로운 비즈니스 모델을 수행하도록 지원하는 컨설팅 회사인 CGnal의 선임 데이터 과학자다.
Aldo Marzullo
2016년 9월 칼라브리아 대학에서 컴퓨터과학 석사 학위를 받았다. 알고리듬 설계와 그래프 이론, 그리고 머신러닝을 포함한 여러 분야에서 견고한 배경 지식을 쌓았다. 2020년 1월 칼라브리아 대학과 끌로드 베흐노 리용 1(프랑스 리용) 대학에서 「Deep Learning and Graph Th eory for Brain Connectivity Analysis in Multiple Sclerosis(다발성 경화증 뇌 연결성 분석을 위한 딥러닝과 그래프 이론)」이라는 논문으로 공동 박사 학위를 받았다. 알도는 현재 칼라브리아 대학의 박사후 연구원으로 여러 국제기관과 협력하고 있다.
Enrico Deusebio
현재 최고 수준의 고객이 데이터 기반 전략을 구현하고 인공지능 기반 솔루션을 구축하는 것을 지원하는 컨설팅 회사인 CGnal의 최고 운영 책임자다. 학문적, 산업적 맥락에서 10년 이상 고성능 시설과 대규모 컴퓨팅 센터를 사용해 데이터와 대규모 시뮬레이션을 연구해 왔다. 케임브리지 대학(University of Cambridge), 토리노 대학(University of Turin), 스톡홀름 왕립기술원(KTH) 등 최상위권 대학과 협력해 박사학위를 취득했다. 또한 2014년 토리노 폴리테크닉(Politecnico di Torino)의 항공 우주 공학 학사 및 석사 학위를 받았다.
위즈코어 기술연구소장. 고려대학교 정보보호대학원에서 박사 학위를 취득했으며, 경찰청 사이버안전국 디지털포렌식센터에서 근무한 경력이 있다. 현재 위즈코어 기술연구소를 이끌며 제조 AI 모델의 경량화(ONNX), MLOps 파이프라인 구축, 고성능 API 게이트웨이 설계를 총괄하고 있다. 데이터 분석·머신러닝·보안 분야 전문가로, 『적대적 머신러닝』(에이콘출판, 2020), 『그래프 머신러닝』(에이콘출판, 2023) 등 전문서를 다수 번역했다.
장기식의 다른 상품
파이썬 개발자로서 주로 이상 음원 탐지 모델 개발과 단어 인식과 관련된 자연어 처리 모델 개발을 담당했다. 그리고 개발한 모델을 서비스하기 위한 서버 플랫폼도 파이썬으로 개발해 국내 CCTV 관제실에 다수 도입됐다.
품목정보
- 발행일
- 2024년 10월 14일
- 지원기기
- 크레마, PC(윈도우 - 4K 모니터 미지원), 아이폰, 아이패드, 안드로이드폰, 안드로이드패드, 전자책단말기(저사양 기기 사용 불가), PC(Mac)
- 파일/용량
- PDF(DRM) | 18.87MB ?
- 글자 수/ 페이지 수
- 약 362쪽 ?
- ISBN13
- 9791161758848
출판사 리뷰
|
◈ 이 책에서 다루는 내용 ◈
◆ 그래프 특징을 추출하는 파이썬 스크립트 작성법 ◆ 주요 비지도 및 지도 그래프 임베딩 기술 구현 방법 ◆ 주요 그래프 표현 학습 기법의 차이점 ◆ 얕은 임베딩 방법, 그래프 신경망, 그래프 정칙화 방법 등 ◆ 소셜 네트워크 및 금융 거래 시스템 등에서의 데이터 추출 방법 ◆ 애플리케이션을 원활하게 배포하고 확장하는 방법 ◈ 이 책의 대상 독자 ◈ 이 책은 데이터 포인트를 풀고, 위상(topology) 정보를 활용해 분석과 모델의 성능을 개선하려는 데이터 분석가, 그래프 개발자, 그래프 분석가, 그래프 전문가를 대상으로 한다. 머신러닝 기반 그래프 데이터베이스를 구축하려는 데이터 과학자와 머신러닝 개발자에게도 유용하다. 그래프 데이터베이스와 그래프 데이터에 대한 초급 수준의 지식을 가지고 있는 사람이 읽기에 적합한 책이다. 이 책의 내용을 최대한 활용하기 위해서는 파이썬 프로그래밍과 머신러닝에 대한 중급 수준의 실무 지식 또한 필요하다. ◈ 이 책의 구성 ◈ 1장, '그래프 시작하기’에서는 NetworkX 파이썬 라이브러리를 사용해 그래프 이론의 기본 개념을 소개한다. 2장, ‘그래프 머신러닝’에서는 그래프 머신러닝과 그래프 임베딩 기술의 주요 개념을 소개한다. 3장, ‘그래프 비지도 학습’에서는 비지도 그래프 임베딩의 최신 방법을 다룬다. 4장, ‘그래프 지도 학습’에서는 지도 그래프 임베딩의 최신 방법을 다룬다. 5장, ‘그래프에서의 머신러닝 문제’에서는 그래프에서 가장 일반적인 머신러닝 작업을 소개한다. 6장, ‘소셜 네트워크 그래프’에서는 분석 소셜 네트워크 데이터에 머신러닝 알고리듬을 적용하는 방법을 소개한다. 7장, ‘그래프를 사용한 텍스트 분석 및 자연어 처리’에서는 자연어 처리 작업에 머신러닝 알고리듬을 적용하는 방법을 소개한다. 8장, ‘신용카드 거래에 대한 그래프 분석’에서는 신용카드 부정 거래 탐지에 머신러닝 알고리듬을 적용하는 방법을 소개한다. 9장, ‘데이터 드리븐 그래프 기반 응용 프로그램 구축’에서는 큰 그래프를 처리하는 데 유용한 몇 가지 기술을 소개한다. 10장, ‘그래프의 새로운 트랜드’에서는 그래프 머신러닝의 몇 가지 새로운 동향(알고리듬과 응용 프로그램)을 소개한다. |
