ODBIERZ TWÓJ BONUS :: »

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

Książka w języku angielskim angielski
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

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
Serie wydawnicze:
Hands-on
Ocena:
Bądź pierwszym, który oceni tę książkę
Stron:
490
Dostępne formaty:
     PDF
     ePub

143,10 zł 159,00 zł (-10%)
125,10 zł najniższa cena z 30 dni

Dodaj do koszyka Dostępny natychmiast po opłaceniu zakupu lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Graph Neural Networks (GNNs) have become essential tools for learning from relational and structured data. This second edition provides a comprehensive, hands-on guide to 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 (GCN), Graph Attention Networks (GAT), 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 jest specjalistą w dziedzinie nauki o danych i pracownikiem naukowym specjalizującym się w grafach wiedzy, LLM-ach i grafowych sieciach neuronowych.

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.

Giuseppe Futia, Maxime Labonne - pozostałe książki

Zobacz pozostałe książki z serii Hands-on

Packt Publishing - inne książki

Zamknij

Przenieś na półkę
Dodano produkt na półkę
Usunięto produkt z półki
Przeniesiono produkt do archiwum
Przeniesiono produkt do biblioteki

Zamknij

Wybierz metodę płatności

Ebook
143,10 zł
Dodaj do koszyka
Płatności obsługuje:
Ikona płatności Apple Pay Ikona płatności Bank PEKAO S.A. Ikona płatności Bank Pocztowy Ikona płatności Banki Spółdzielcze Ikona płatności BLIK Ikona płatności Crédit Agricole e-przelew Ikona płatności dawny BNP Paribas Bank Ikona płatności Google Pay Ikona płatności ING Bank Śląski Ikona płatności Inteligo Ikona płatności iPKO Ikona płatności mBank Ikona płatności Millennium Ikona płatności Nest Bank Ikona płatności Paypal Ikona płatności PayPo | PayU Płacę później Ikona płatności PayU Płacę później Ikona płatności Plus Bank Ikona płatności Płacę z Alior Bankiem Ikona płatności Płacę z Getin Bank Ikona płatności Płać z BOŚ Ikona płatności Płatność online kartą płatniczą Ikona płatności Santander Ikona płatności Visa Mobile