Algorithm 在机器学习中使用图论的建议？

通过观看Christopher Bishops的视频（），我学到了很多关于使用图形进行机器学习的知识。我发现它非常有趣，并观看了其他一些相同类别（机器学习/图形）的节目，但我想知道是否有人对学习更多的方法有任何建议

我的问题是，尽管这些视频提供了很好的高层次理解，但我还没有太多的实际技能。我读过Bishops关于机器学习/模式的书，也读过Norvig的AI书，但这两本书似乎都没有涉及到具体的使用图。随着搜索引擎和社交网络的出现，我认为基于图形的机器学习将会很流行

如果可能的话，有人能提供一个可以学习的资源吗？（我是这个领域的新手，开发对我来说是一种爱好，所以如果有一个非常明显的资源可以学习的话，我很抱歉。我尝试了谷歌和大学网站）

---

提前谢谢

麦克阿瑟天才奖获得者和斯坦福大学教授达芙妮·科勒（Daphne Koller）共同编写了一本关于贝叶斯网络的权威教科书，书名为，其中对应用于人工智能的图论进行了严格的介绍。它可能并不完全符合您所寻找的，但在其领域，它受到高度重视。

您可以参加斯坦福大学的机器学习和人工智能免费在线课程：

---

这些课程不只是专注于图论，还包括该领域更广泛的介绍，它们将让您很好地了解如何以及何时应用哪种算法。我知道您已经阅读了有关AI和ML的介绍性书籍，但我认为在线课程将为您提供许多可以尝试的练习。

首先，我强烈推荐Maksim Tsvetovat和Alexander Kouznetsov的书。对于需要快速掌握特定学科（在本例中为图论）基本流利性的程序员来说，这本书是天赐之物，这样他们就可以开始编写代码来解决该领域的问题。两位作者都是受过学术训练的图表理论家，但他们的书的目标读者是程序员。本书中介绍的几乎所有示例都是使用该库的python

第二，对于您心目中的项目，两种库即使不是必不可少的，也是非常有用的：

• 图形分析：例如，优秀的（python），或 （python，R，et.al.）是我可以高度推荐的两个；及

• 图形渲染：非常好，可以使用 独立于命令行，但您更可能希望 把它当作图书馆；在所有主要应用程序中都有graphViz绑定 语言（例如，对于python，我知道至少有三种语言， 虽然是我的偏好，但对于R来说，它是 软件包套件的一部分）。Rgraphviz有很好的文档（特别是包中包含的Vignette）

安装并开始试验这些库非常容易，尤其是使用它们

• 学习基本的图论词汇和分析单位 （例如，度序列分布、节点遍历、图 运营商）

• 区分图中的关键节点（例如，度中心， 特征向量中心性、分类性）；及

• 识别原型图子结构（例如，二部结构， 三角形、周期、集团、集群、社区和核心）

使用图形分析库快速理解图论的这些基本元素的价值在于，在我刚才提到的概念和（networkx或igraph）库中的函数之间，在大多数情况下都有一个1:1映射

因此，例如，您可以快速生成两个大小相同（节点数）的随机图，渲染并查看它们，然后轻松计算（例如）两者的平均度序列或介数中心度，并直接了解这些参数值的变化如何影响图的结构

结合ML和图论技术，以下是我有限的个人经验。我在日常工作中很少使用ML和图论，但很少一起使用。这只是一个经验观察，仅限于我个人的经验，所以事实上，我还没有发现一个问题，在这个问题上，将这两个领域的技术结合起来似乎是很自然的。大多数情况下，图论分析在ML的盲点中是有用的，即大量标记训练数据的可用性——监督的ML技术在很大程度上依赖于此

说明这一点的一类问题是在线欺诈检测/预测。几乎不可能收集数据（例如，归属于特定用户的在线交易集），您可以合理确定地将这些数据分离并标记为“欺诈账户”。如果这些数据特别聪明和有效，那么您将错误地标记为“合法”和涉嫌欺诈的账户，通常，第一级诊断（例如，额外的身份验证或延长兑现的等待时间）通常足以导致他们停止进一步的活动（这将允许进行明确的分类）。最后，即使您设法收集了一个合理的无噪声数据集来训练您的ML算法，它肯定会严重失衡（即，比“欺诈”数据点更“合法”）；这个问题可以通过统计预处理（重采样）和算法调整（加权）来解决，但它仍然是一个可能会降低结果质量的问题

因此，虽然我从来没有能够成功地使用ML技术来解决这类问题，但至少在两个例子中，我已经成功地使用了图论——我