AI-Master-Book
  • about AI-Master-Book
  • AI Master Book
    • 이상치 탐지 with Python
    • 베이지안 뉴럴네트워크 (BNN) with Python
    • 그래프 뉴럴네트워크 (GNN) with Python
    • 데이터 마케팅 분석 with Python
  • LLM MASTER BOOK
    • OpenAI API 쿡북 with Python
    • 기초부터 심화까지 RAG 쿡북 with Python
    • MCP 에이전트 쿡북 with Python
  • LLMs
    • OpenAI API
      • 1️⃣ChatCompletion
      • 2️⃣DALL-E
      • 3️⃣Text to Speech
      • 4️⃣Video to Transcripts
      • 5️⃣Assistants API
      • 6️⃣Prompt Engineering
      • 7️⃣OpenAI New GPT-4o
    • LangChain
      • LangChain Basic
        • 1️⃣Basic Modules
        • 2️⃣Model I/O
        • 3️⃣Prompts
        • 4️⃣Chains
        • 5️⃣Agents
        • 6️⃣Tools
        • 7️⃣Memory
      • LangChain Intermediate
        • 1️⃣OpenAI LLM
        • 2️⃣Prompt Template
        • 3️⃣Retrieval
        • 4️⃣RAG ChatBot
        • 5️⃣RAG with Gemini
        • 6️⃣New Huggingface-LangChain
        • 7️⃣Huggingface Hub
        • 8️⃣SQL Agent & Chain
        • 9️⃣Expression Language(LCEL)
        • 🔟Llama3-8B with LangChain
      • LangChain Advanced
        • 1️⃣LLM Evaluation
        • 2️⃣RAG Evaluation with RAGAS
        • 3️⃣LangChain with RAGAS
        • 4️⃣RAG Paradigms
        • 5️⃣LangChain: Advance Techniques
        • 6️⃣LangChain with NeMo-Guardrails
        • 7️⃣LangChain vs. LlamaIndex
        • 8️⃣LangChain LCEL vs. LangGraph
    • LlamaIndex
      • LlamaIndex Basic
        • 1️⃣Introduction
        • 2️⃣Customization
        • 3️⃣Data Connectors
        • 4️⃣Documents & Nodes
        • 5️⃣Naive RAG
        • 6️⃣Advanced RAG
        • 7️⃣Llama3-8B with LlamaIndex
        • 8️⃣LlmaPack
      • LlamaIndex Intermediate
        • 1️⃣QueryEngine
        • 2️⃣Agent
        • 3️⃣Evaluation
        • 4️⃣Evaluation-Driven Development
        • 5️⃣Fine-tuning
        • 6️⃣Prompt Compression with LLMLingua
      • LlamaIndex Advanced
        • 1️⃣Agentic RAG: Router Engine
        • 2️⃣Agentic RAG: Tool Calling
        • 3️⃣Building Agent Reasoning Loop
        • 4️⃣Building Multi-document Agent
    • Hugging Face
      • Huggingface Basic
        • 1️⃣Datasets
        • 2️⃣Tokenizer
        • 3️⃣Sentence Embeddings
        • 4️⃣Transformers
        • 5️⃣Sentence Transformers
        • 6️⃣Evaluate
        • 7️⃣Diffusers
      • Huggingface Tasks
        • NLP
          • 1️⃣Sentiment Analysis
          • 2️⃣Zero-shot Classification
          • 3️⃣Aspect-Based Sentiment Analysis
          • 4️⃣Feature Extraction
          • 5️⃣Intent Classification
          • 6️⃣Topic Modeling: BERTopic
          • 7️⃣NER: Token Classification
          • 8️⃣Summarization
          • 9️⃣Translation
          • 🔟Text Generation
        • Audio & Tabular
          • 1️⃣Text-to-Speech: TTS
          • 2️⃣Speech Recognition: Whisper
          • 3️⃣Audio Classification
          • 4️⃣Tabular Qustaion & Answering
        • Vision & Multimodal
          • 1️⃣Image-to-Text
          • 2️⃣Text to Image
          • 3️⃣Image to Image
          • 4️⃣Text or Image-to-Video
          • 5️⃣Depth Estimation
          • 6️⃣Image Classification
          • 7️⃣Object Detection
          • 8️⃣Segmentatio
      • Huggingface Optimization
        • 1️⃣Accelerator
        • 2️⃣Bitsandbytes
        • 3️⃣Flash Attention
        • 4️⃣Quantization
        • 5️⃣Safetensors
        • 6️⃣Optimum-ONNX
        • 7️⃣Optimum-NVIDIA
        • 8️⃣Optimum-Intel
      • Huggingface Fine-tuning
        • 1️⃣Transformer Fine-tuning
        • 2️⃣PEFT Fine-tuning
        • 3️⃣PEFT: Fine-tuning with QLoRA
        • 4️⃣PEFT: Fine-tuning Phi-2 with QLoRA
        • 5️⃣Axoltl Fine-tuning with QLoRA
        • 6️⃣TRL: RLHF Alignment Fine-tuning
        • 7️⃣TRL: DPO Fine-tuning with Phi-3-4k-instruct
        • 8️⃣TRL: ORPO Fine-tuning with Llama3-8B
        • 9️⃣Convert GGUF gemma-2b with llama.cpp
        • 🔟Apple Silicon Fine-tuning Gemma-2B with MLX
        • 🔢LLM Mergekit
    • Agentic LLM
      • Agentic LLM
        • 1️⃣Basic Agentic LLM
        • 2️⃣Multi-agent with CrewAI
        • 3️⃣LangGraph: Multi-agent Basic
        • 4️⃣LangGraph: Agentic RAG with LangChain
        • 5️⃣LangGraph: Agentic RAG with Llama3-8B by Groq
      • Autonomous Agent
        • 1️⃣LLM Autonomous Agent?
        • 2️⃣AutoGPT: Worldcup Winner Search with LangChain
        • 3️⃣BabyAGI: Weather Report with LangChain
        • 4️⃣AutoGen: Writing Blog Post with LangChain
        • 5️⃣LangChain: Autonomous-agent Debates with Tools
        • 6️⃣CAMEL Role-playing Autonomous Cooperative Agents
        • 7️⃣LangChain: Two-player Harry Potter D&D based CAMEL
        • 8️⃣LangChain: Multi-agent Bid for K-Pop Debate
        • 9️⃣LangChain: Multi-agent Authoritarian Speaker Selection
        • 🔟LangChain: Multi-Agent Simulated Environment with PettingZoo
    • Multimodal
      • 1️⃣PaliGemma: Open Vision LLM
      • 2️⃣FLUX.1: Generative Image
    • Building LLM
      • 1️⃣DSPy
      • 2️⃣DSPy RAG
      • 3️⃣DSPy with LangChain
      • 4️⃣Mamba
      • 5️⃣Mamba RAG with LangChain
      • 7️⃣PostgreSQL VectorDB with pgvorco.rs
Powered by GitBook
On this page
  • 책 소개
  • 목 차
  1. AI Master Book

그래프 뉴럴네트워크 (GNN) with Python

그래프 뉴럴 네트워크 (GNN) with Python

AI 전문가를 위한 Python으로 시작하는 그래프 뉴럴 네트워크 (Graph Neural Network) 실전 가이드

책 소개

AI Master Series는 데이터 분석 및 인공지능 분야에서 실질적인 문제를 해결하고자 하는 전문가와 학습자를 대상으로 합니다. 특히, 데이터를 다루는 과정에서 이상치를 효과적으로 탐지하고 처리해야 하는 데이터 분석 전문가들에게 적합합니다. 실무에서 Python을 사용해 데이터를 분석하거나 모델링하는 사람이라면, 이 책이 제공하는 이론과 실제 구현 방법을 통해 문제 해결 능력을 더욱 강화할 수 있습니다. 데이터 과학에 입문한 학습자나 중급 수준의 독자에게도 유용한 내용을 담고 있습니다. 기본적인 Python 사용 경험을 바탕으로, 이상치 탐지라는 고급 주제를 체계적으로 이해하고 이를 실전에서 활용할 수 있는 능력을 키우고자 하는 사람들에게 적합합니다. 특히, 이론적인 배경뿐만 아니라 Python 코드를 통해 직접 구현할 수 있도록 안내하므로, 학습 과정에서 실질적인 도움을 줄 수 있습니다.

그래프 뉴럴 네트워크(Graph Neural Network)는 그래프 형태의 데이터를 처리하고 분석하기 위해 설계된 딥러닝 모델로, 노드와 엣지로 구성된 데이터 간의 복잡한 관계를 효과적으로 학습할 수 있는 강력한 도구다. 이는 전통적인 딥러닝 모델이 한계를 보이는 네트워크 구조, 연결 관계, 시퀀스 데이터 등에서 특히 유용하며, 그래프 구조를 활용하여 데이터의 맥락적 특성과 구조적 정보를 동시에 학습할 수 있도록 한다. GNN은 소셜 네트워크 분석, 추천 시스템, 분자 구조 분석, 교통 네트워크 최적화, 지리 정보 시스템, 지식 그래프 생성 등 다양한 실제 문제에 성공적으로 적용되고 있다.

이 책은 그래프 데이터를 다루는 모든 AI 및 데이터 과학 전문가에게 유용하다. 그그래프 뉴럴 네트워크(GNN)의 기본 개념부터 고급 모델 구현까지 이론과 실습을 균형 있게 제공하여, 데이터 과학자와 AI 엔지니어가 복잡한 관계 데이터를 활용해 문제를 효율적으로 해결하고 새로운 인사이트를 발견할 수 있도록 돕는다. 특히, 기존의 머신러닝과 딥러닝 기법이 한계를 보이는 복잡한 관계 데이터를 처리하는 데 관심 있는 연구자와 엔지니어에게 적합하다. 또한, Python을 사용하여 실용적인 구현을 배우고자 하는 데이터 과학자, AI 모델 개발자, 그리고 연구 목적으로 그래프 데이터를 분석하고자 하는 학계 종사자들에게도 큰 도움이 된다. 이 책은 그래프 뉴럴 네트워크의 이론과 실무를 모두 포함하고 있어, 기본적인 Python 프로그래밍 지식과 머신러닝 배경을 가진 독자들이 활용하기에 이상적이다.

목 차

저자 소개

Table of Contents (목차)

들어가기 전에

1장. 그래프 개요

2장. Graph Learning 구현

3장. 그래프 임베딩 (Graph Embedding)

4장. 그래프 뉴럴 네트워크

5장. Graph Neural Network 방법론

6장. Graph Generative Model

7장. Graph Neural Network 활용

8장. GNN Explainable XAI

E-Book 구매

https://nowave.upaper.kr/content/1189457

Github 코드

https://github.com/no-wave/book-ai-master-graph-neural-network

Previous베이지안 뉴럴네트워크 (BNN) with PythonNext데이터 마케팅 분석 with Python

Last updated 2 months ago