Hands-On Graph Neural Networks Using Python. Build, train, and optimize graph-based deep learning models with PyTorch Geometric and Python - Second Edition Giuseppe Futia, Maxime Labonne

(ebook) (audiobook) (audiobook)

W przygotowaniu

Hands-On Graph Neural Networks Using Python. Build, train, and optimize graph-based deep learning models with PyTorch Geometric and Python - Second Edition Giuseppe Futia, Maxime Labonne - okladka książki

Autorzy:: Giuseppe Futia, Maxime Labonne
Wydawnictwo:: Packt Publishing (Z chęcią przeczytam książkę w języku polskim)
Ocena:

Ebook

139,00 zł

Powiadom mnie, gdy książka będzie dostępna

Przenieś na półkę

Graph Neural Networks have become essential tools for learning from relational and structured data. This second edition provides a comprehensive, hands-on guide implementing GNNs using Python and PyTorch Geometric.

The book begins with graph theory fundamentals and data manipulation using NetworkX and PyTorch Geometric. You then explore shallow embedding methods—DeepWalk and Node2Vec—before progressing to core GNN architectures: Graph Convolutional Networks, Graph Attention Networks, and GraphSAGE.

This edition introduces several new chapters reflecting the latest advances: Graph Transformers, integration of graph databases with GNNs, the convergence of LLMs and GNNs through GraphRAG, and the emerging paradigm of Graph Foundation Models. Existing chapters on expressiveness, link prediction, heterogeneous graphs, temporal GNNs, and explainability have been updated with current best practices.

The final part puts theory into practice with end-to-end projects: traffic forecasting with A3T-GCN, anomaly detection with heterogeneous GNNs, and building a recommender system with LightGCN.
By the end of this book, you will have the knowledge and practical skills to apply GNNs to your own graph-structured data problems.

Wybrane bestsellery

O autorach książki

Giuseppe Futia, PhD, is a Senior Data Engineer at CSI-Piemonte (Italy). He has deep expertise in Knowledge Graphs, Large Language Models, and Graph Neural Networks, with a strong focus on applying these technologies to real-world, large-scale systems. Giuseppe is also a Fellow at the Nexa Center for Internet & Society at Politecnico di Torino, where his interests extend to the geopolitics and societal impact of artificial intelligence. With over a decade of multidisciplinary experience spanning both industry and academia, he works at the intersection of research, engineering, and technology communication. Passionate about integrating human knowledge into intelligent systems, Giuseppe continually explores emerging advances to enhance the transparency, robustness, and capabilities of knowledge-driven solutions.

Dr Maxime Labonne kieruje zespołem Post-Training w Liquid AI. Jest uznanym ekspertem Google w dziedzinie sztucznej inteligencji. Organizuje kursy dotyczące dużych modeli językowych i pracuje nad modelami takimi jak NeuralDaredevil.

Ebooka "Hands-On Graph Neural Networks Using Python. Build, train, and optimize graph-based deep learning models with PyTorch Geometric and Python - Second Edition" przeczytasz na:

czytnikach Inkbook, Kindle, Pocketbook, Onyx Booxs i innych
systemach Windows, MacOS i innych

systemach Windows, Android, iOS, HarmonyOS
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi

Masz pytania? Zajrzyj do zakładki Pomoc »

Oceny i opinie klientów: Hands-On Graph Neural Networks Using Python. Build, train, and optimize graph-based deep learning models with PyTorch Geometric and Python - Second Edition Giuseppe Futia, Maxime Labonne

(0)

Szczegóły książki

Tytuł oryginału:: Hands-On Graph Neural Networks Using Python. Build, train, and optimize graph-based deep learning models with PyTorch Geometric and Python - Second Edition
ISBN Ebooka:: 978-18-063-8270-5, 9781806382705
Data wydania ebooka :: 2026-11-20 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@helion.pl.
Język publikacji:: angielski

Zgłoś erratę
Kategorie:
Podręczniki szkolne
Programowanie » Techniki programowania
Sztuczna inteligencja

Dostępność produktu

Produkt nie został jeszcze oceniony pod kątem ułatwień dostępu lub nie podano żadnych informacji o ułatwieniach dostępu lub są one niewystarczające. Prawdopodobnie Wydawca/Dostawca jeszcze nie umożliwił dokonania walidacji produktu lub nie przekazał odpowiednich informacji na temat jego dostępności.

Spis treści książki

1. Getting Started with Graph Learning
2. Graph Theory for Graph Neural Networks
3. Creating Node Representations with DeepWalk
4. Improving Embeddings with Biased Random Walks in Node2Vec
5. Including Node Features with Vanilla Neural Networks
6. Introducing Graph Convolutional Networks
7. Graph Attention Networks
8. Scaling Graph Neural Networks with GraphSAGE
9. Bridging Graph Databases and GNNs for Scalability
10. Graph Transformers - Attention Beyond Local Neighborhoods
11. Defining Expressiveness for Graph Classification
12. Predicting Links with Graph Neural Networks
13. Learning from Heterogeneous Graphs
14. Temporal Graph Neural Networks
15. Explaining Graph Neural Networks
16. Forecasting Traffic Using A3T-GCN
17. Detecting Anomalies Using Heterogeneous Graph Neural Networks
18. Building a Recommender System Using LightGCN
19. Large Language Models Meet Graph Neural Networks
20. Unlocking the Potential of Graph Foundation Models

pokaż cały spis treści

Packt Publishing - inne książki

Zamknij

Proszę czekać...

Hands-On Graph Neural Networks Using Python. Build, train, and optimize graph-based deep learning models with PyTorch Geometric and Python - Second Edition Giuseppe Futia, Maxime Labonne