幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

數據分析之圖演算法(基於Spark和Neo4j)/圖靈程序設計叢書

  • 作者：(英)馬克·尼達姆//(美)埃米·E.霍德勒|責編:謝婷婷|譯者:唐富年
  • 出版社：人民郵電
  • ISBN：9787115546678
  • 出版日期：2020/09/01
  • 裝幀：平裝
  • 頁數：195
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    圖分析可以揭示複雜系統和大規模網路的運作機制，圖演算法為構建智能應用程序提供了快速建模的框架，有助於更準確、更快速地做出預測。包括商品推薦和欺詐檢測在內的許多人工智慧問題能轉換為圖論問題。本書基於Spark和Neo4j講解近20種常用的圖演算法，幫助讀者拓展重要圖分析類型的相關知識和能力，更快速地發現數據中的模式並找到更優的解決方案。
    本書適合數據分析人員、數據科學從業者，以及其他有興趣實踐圖演算法的讀者閱讀。
作者介紹
(英)馬克·尼達姆//(美)埃米·E.霍德勒|責編:謝婷婷|譯者:唐富年
目錄
序
前言
第1章  導論
  1.1  何謂圖
  1.2  何謂圖分析和圖演算法
  1.3  圖處理、圖資料庫、圖查詢和圖演算法
  1.4  為何要關心圖演算法
  1.5  圖分析用例
  1.6  小結
第2章  圖論及其概念
  2.1  術語
  2.2  圖的類型和結構
  2.3  圖的種類
    2.3.1  連通圖與非連通圖
    2.3.2  無權圖與加權圖
    2.3.3  無向圖與有向圖
    2.3.4  無環圖與有環圖
    2.3.5  稀疏圖與稠密圖
    2.3.6  單部圖、二部圖和k部圖
  2.4  圖演算法的類型
    2.4.1  路徑查找
    2.4.2  中心性
    2.4.3  社團發現
  2.5  小結
第3章  圖平台和圖處理
  3.1  圖平台和圖處理的注意事項
    3.1.1  平台注意事項
    3.1.2  處理注意事項
  3.2  典型平台
    3.2.1  選擇平台
    3.2.2  Apache Spark
    3.2.3  Neo4j圖平台
  3.3  小結
第4章  路徑查找演算法和圖搜索演算法
  4.1  示例數據：交通圖
    4.1.1  將數據導入Spark
    4.1.2  將數據導入Neo4j
  4.2  廣度優先搜索
  4.3  深度優先搜索
  4.4  最短路徑演算法
    4.4.1  何時使用最短路徑演算法
    4.4.2  使用Neo4j實現最短路徑演算法
    4.4.3  使用Neo4j實現加權最短路徑演算法
    4.4.4  使用Spark實現加權最短路徑演算法
    4.4.5  最短路徑演算法的變體：A*演算法
    4.4.6  最短路徑演算法的變體：Yen的k最短路徑演算法
  4.5  所有點對最短路徑演算法
    4.5.1  近觀所有點對最短路徑演算法
    4.5.2  何時使用所有點對最短路徑演算法
    4.5.3  使用Spark實現所有點對最短路徑演算法

    4.5.4  使用Neo4j實現所有點對最短路徑演算法
  4.6  單源最短路徑演算法
    4.6.1  何時使用單源最短路徑演算法
    4.6.2  使用Spark實現單源最短路徑演算法
    4.6.3  使用Neo4j實現單源最短路徑演算法
  4.7  最小生成樹演算法
    4.7.1  何時使用最小生成樹演算法
    4.7.2  使用Neo4j實現最小生成樹演算法
  4.8  隨機遊走演算法
    4.8.1  何時使用隨機遊走演算法
    4.8.2  使用Neo4j實現隨機遊走演算法
  4.9  小結
第5章  中心性演算法
  5.1  示例數據：社交圖
    5.1.1  將數據導入Spark
    5.1.2  將數據導入Neo4j
  5.2  度中心性演算法
    5.2.1  可達性
    5.2.2  何時使用度中心性演算法
    5.2.3  使用Spark實現度中心性演算法
  5.3  接近中心性演算法
    5.3.1  何時使用接近中心性演算法
    5.3.2  使用Spark實現接近中心性演算法
    5.3.3  使用Neo4j實現接近中心性演算法
    5.3.4  接近中心性演算法變體：Wasserman & Faust演算法
    5.3.5  接近中心性演算法變體：調和中心性演算法
  5.4  中間中心性演算法
    5.4.1  橋與控制點
    5.4.2  計算中間中心性得分
    5.4.3  何時使用中間中心性演算法
    5.4.4  使用Neo4j實現中間中心性演算法
    5.4.5  中間中心性演算法變體：RA-Brandes演算法
  5.5  PageRank演算法
    5.5.1  影響力
    5.5.2  PageRank演算法公式
    5.5.3  迭代、隨機衝浪者和等級沉沒
    5.5.4  何時使用PageRank演算法
    5.5.5  使用Spark實現PageRank演算法
    5.5.6  使用Neo4j實現PageRank演算法
    5.5.7  PageRank演算法變體：個性化PageRank演算法
  5.6  小結
第6章  社團發現演算法
  6.1  示例數據：軟體依賴圖
    6.1.1  將數據導入Spark
    6.1.2  將數據導入Neo4j
  6.2  三角形計數和聚類係數
    6.2.1  局部聚類係數
    6.2.2  全局聚類係數
    6.2.3  何時使用三角形計數和聚類係數
    6.2.4  使用Spark實現三角形計數演算法

    6.2.5  使用Neo4j實現三角形計數演算法
    6.2.6  使用Neo4j計算局部聚類係數
  6.3  強連通分量演算法
    6.3.1  何時使用強連通分量演算法
    6.3.2  使用Spark實現強連通分量演算法
    6.3.3  使用Neo4j實現強連通分量演算法
  6.4  連通分量演算法
    6.4.1  何時使用連通分量演算法
    6.4.2  使用Spark實現連通分量演算法
    6.4.3  使用Neo4j實現連通分量演算法
  6.5  標籤傳播演算法
    6.5.1  半監督學習和種子標籤
    6.5.2  何時使用標籤傳播演算法
    6.5.3  使用Spark實現標籤傳播演算法
    6.5.4  使用Neo4j實現標籤傳播演算法
  6.6  Louvain模塊度演算法
    6.6.1  通過模塊度進行基於質量的分組
    6.6.2  何時使用Louvain模塊度演算法
    6.6.3  使用Neo4j實現Louvain模塊度演算法
  6.7  驗證社團
  6.8  小結
第7章  圖演算法實戰
  7.1  使用Neo4j分析Yelp數據
    7.1.1  Yelp社交網路
    7.1.2  導入數據
    7.1.3  圖模型
    7.1.4  Yelp數據概覽
    7.1.5  行程規劃應用程序
    7.1.6  旅遊商務咨詢
    7.1.7  查找相似類別
  7.2  使用Spark分析航班數據
    7.2.1  探索性分析
    7.2.2  熱門機場
    7.2.3  源自ORD的延誤
    7.2.4  SFO的糟糕一天
    7.2.5  通過航空公司互連的機場
  7.3  小結
第8章  使用圖演算法增強機器學習
  8.1  機器學習和上下文的重要性
  8.2  關聯特徵提取與特徵選擇
    8.2.1  圖特徵
    8.2.2  圖演算法特徵
  8.3  圖與機器學習實踐：鏈接預測
    8.3.1  工具和數據
    8.3.2  將數據導入Neo4j
    8.3.3  合著者關係圖
    8.3.4  創建均衡的訓練數據集和測試數據集
    8.3.5  如何預測缺失鏈接
    8.3.6  創建機器學習管道
    8.3.7  預測鏈接：基本圖特徵

    8.3.8  預測鏈接：三角形和聚類係數
    8.3.9  預測鏈接：社團發現
  8.4  小結
  8.5  總結
附錄  額外信息及資料
關於作者
關於封面

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032