Applied Deep Learning on Graphs
Lakshya Khandelwal, Subhajoy Das
- Editorial
- Packt
- Año
- 2024
- Páginas
- ~251
- Nivel
- Intermedio
De qué trata
Guía práctica de 2024 enfocada en el diseño e implementación de modelos de aprendizaje profundo especializados en datos estructurados en grafos para resolver problemáticas de negocio. Está orientada a científicos de datos, ingenieros de machine learning e investigadores de nivel intermedio que ya programan en Python y conocen los principios del deep learning tradicional, pero necesitan abordar datos relacionales e interconectados donde los enfoques convencionales fallan.
El contenido introduce desde los métodos clásicos de incrustación de grafos (DeepWalk, Node2Vec, LINE) hasta las arquitecturas de Graph Neural Networks (GNN) más influyentes: Graph Convolutional Networks (GCN), Graph Attention Networks (GAT), GraphSAGE y Graph Autoencoders. El libro utiliza activamente bibliotecas modernas como PyTorch Geometric (PyG), NetworkX y DGL, prestando atención a desafíos de ingeniería como el problema del sobrealisado (oversmoothing), la interpretabilidad de predicciones en grafos, la escalabilidad en producción y la integración vanguardista entre grafos y modelos de lenguaje de gran escala (GraphRAG y LLMs).
En la parte aplicada se construyen sistemas de recomendación apoyados en grafos bipartitos de usuario-producto (similares a LightGCN y PinSage), canalizaciones de procesamiento de lenguaje natural (resumen de textos estructurados y extracción de entidades con GNNs) y modelos de visión artificial fundamentados en grafos de escenas (Scene Graphs). Destaca por su enfoque moderno y por vincular las formulaciones teóricas con casos reales de uso empresarial. Conviene tener una base sólida en PyTorch, ya que el libro prioriza la arquitectura de las redes sobre la administración de motores de bases de datos de grafos nativos.
- Graph Neural Networks (GNN)
- PyTorch Geometric (PyG)
- NetworkX
- Node2Vec y DeepWalk
- Graph Convolutional Networks (GCN)
- Graph Attention Networks (GAT)
- Sistemas de recomendación en grafos
- NLP con grafos
- Grafos de escenas (Scene Graphs)
- GraphRAG y LLMs
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Motor de recomendaciones basado en grafos bipartitos
Construcción de un recomendador con PyTorch Geometric que modela interacciones complejas de usuarios y artículos como un grafo bipartito para predecir enlaces y afinidades.
Pipeline de extracción de entidades y resumen textual con GNNs
Sistema de NLP que estructura relaciones semánticas de textos en forma de grafos para generar resúmenes automáticos y extraer información clave mediante redes neuronales sobre grafos.
Clasificador visual estructurado mediante Scene Graphs
Modelo de visión por computadora que descompone imágenes complejas en grafos de objetos y relaciones espaciales para mejorar la clasificación y el razonamiento visual.
