دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [MEAP Edition] نویسندگان: Alessandro Negro, Vlastimil Kus, Giuseppe Futia, Fabio Montagna سری: ناشر: Manning Publications سال نشر: 2022 تعداد صفحات: [133] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 Mb
در صورت تبدیل فایل کتاب Knowledge Graphs Applied Version 2 به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب نمودارهای دانش کاربردی نسخه 2 نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
Knowledge Graphs Applied MEAP V02 Copyright Welcome Brief contents Chapter 1: What is a knowledge graph? 1.1 The knowledge graph paradigm shift 1.1.1 The four pillars of knowledge graphs 1.2 Building data-driven applications using KGs 1.2.1 360-based view for precision medicine 1.2.2 Drug discovery and development 1.2.3 Healthcare compliance management 1.2.4 Conversational AI and recommendation systems 1.2.5 What should I ask myself? 1.3 How do we teach knowledge graphs? 1.4 Knowledge graph technologies 1.5 Making graphs smarter using semantics 1.5.1 Graph vs. knowledge graph 1.5.2 Taxonomies and ontologies 1.6 Summary 1.7 References Chapter 2: Intelligent systems 2.1 Designing a first intelligent system 2.1.1 What is an intelligent system? 2.1.2 Categories of intelligent systems 2.1.3 Characteristics of an intelligent system 2.2 Knowledge acquisition 2.3 Knowledge representation and reasoning 2.4 Reasoning engines 2.5 The role of knowledge graphs 2.6 Summary 2.7 References Chapter 3: Create your first knowledge graph from ontologies 3.1 Knowledge graph building: Warm-up 3.1.1 Business and domain understanding 3.1.2 Data understanding 3.2 Understanding knowledge graph technologies 3.2.1 RDF or LPG? A goal-driven discussion 3.2.2 Representing edge properties with RDF and LPG 3.3 Knowledge graph building 3.3.1 Ontology ingestion and processing with neosemantics 3.3.2 Dataset ingestion and processing 3.4 Querying the data 3.5 Reasoning over the knowledge graph 3.6 Summary 3.7 References Chapter 5: Knowledge graphs (KGs) and natural language processing (NLP) 5.1 What is natural language processing (NLP)? 5.1.1 Basics of natural language processing 5.1.2 Named Entity Recognition (NER) 5.1.3 Use NLP for building a first KG 5.2 Knowledge enrichment 5.3 NLP-based machine learning 5.3.1 Keyword extraction 5.3.2 Graph-based topic modeling 5.4 Summary 5.5 References Appendix A: Introduction to graphs A.1 What is a graph? A.2 Graphs as models of networks A.3 Representing graphs A.4 References Appendix B: Neo4j B.1 Neo4j Introduction B.2 Neo4j Installation B.2.1 Neo4j Server installation B.2.2 Neo4j Desktop installation B.3 Cypher B.4 Plugins installation B.4.1 APOC installation B.4.2 GDS installation B.5 Cleaning B.6 References