Applied Deep Learning on Graphs. Leverage graph data for business applications using specialized deep learning architectures Lakshya Khandelwal, Subhajoy Das
(ebook)
(audiobook)
(audiobook)
- Autorzy:
- Lakshya Khandelwal, Subhajoy Das
- Serie wydawnicze:
- Hands-on
- Wydawnictwo:
- Packt Publishing
- Ocena:
- Stron:
- 250
Zostało Ci
na świąteczne zamówienie
opcje wysyłki »
Opis
książki
:
Applied Deep Learning on Graphs. Leverage graph data for business applications using specialized deep learning architectures
With their combined expertise spanning cutting-edge AI product development at industry giants such as Walmart, Adobe, Samsung, and Arista Networks, Lakshya and Subhajoy provide real-world insights into the transformative world of graph neural networks (GNNs).
This book demystifies GNNs, guiding you from foundational concepts to advanced techniques and real-world applications. You’ll see how graph data structures power today’s interconnected world, why specialized deep learning approaches are essential, and how to address challenges with existing methods. You’ll start by dissecting early graph representation techniques such as DeepWalk and node2vec. From there, the book takes you through popular GNN architectures, covering graph convolutional and attention networks, autoencoder models, LLMs, and technologies such as retrieval augmented generation on graph data. With a strong theoretical grounding, you’ll seamlessly navigate practical implementations, mastering the critical topics of scalability, interpretability, and application domains such as NLP, recommendations, and computer vision.
By the end of this book, you’ll have mastered the underlying ideas and practical coding skills needed to innovate beyond current methods and gained strategic insights into the future of GNN technologies.
This book demystifies GNNs, guiding you from foundational concepts to advanced techniques and real-world applications. You’ll see how graph data structures power today’s interconnected world, why specialized deep learning approaches are essential, and how to address challenges with existing methods. You’ll start by dissecting early graph representation techniques such as DeepWalk and node2vec. From there, the book takes you through popular GNN architectures, covering graph convolutional and attention networks, autoencoder models, LLMs, and technologies such as retrieval augmented generation on graph data. With a strong theoretical grounding, you’ll seamlessly navigate practical implementations, mastering the critical topics of scalability, interpretability, and application domains such as NLP, recommendations, and computer vision.
By the end of this book, you’ll have mastered the underlying ideas and practical coding skills needed to innovate beyond current methods and gained strategic insights into the future of GNN technologies.
Wybrane bestsellery
Zobacz pozostałe książki z serii Hands-on
Packt Publishing - inne książki
Dzięki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
Masz pytanie o konkretny tytuł? Napisz do nas: sklep@helion.pl
Proszę wybrać ocenę!
Proszę wpisać opinię!
Książka drukowana
Proszę czekać...
Oceny i opinie klientów: Applied Deep Learning on Graphs. Leverage graph data for business applications using specialized deep learning architectures Lakshya Khandelwal, Subhajoy Das (0) Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.