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: نویسندگان: Chuan Shi, Xiao Wang, Cheng Yang سری: Synthesis Lectures on Data Mining and Knowledge Discovery ISBN (شابک) : 3031161734, 9783031161735 ناشر: Springer سال نشر: 2022 تعداد صفحات: 206 [207] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 Mb
در صورت تبدیل فایل کتاب Advances in Graph Neural Networks 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 پیشرفت در شبکه های عصبی گراف 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.
این کتاب مقدمه ای جامع از مبانی و مرزهای شبکه های عصبی گراف ارائه می دهد. علاوه بر این، کتاب مفاهیم و تعاریف اساسی در یادگیری بازنمایی گراف را معرفی میکند و توسعه روشهای پیشرفته یادگیری نمایش نمودار را با تمرکز بر شبکههای عصبی گراف مورد بحث قرار میدهد. این کتاب محققین و دست اندرکاران را با درک مسائل اساسی و همچنین نقطه راه اندازی برای بحث در مورد آخرین روندهای علم ارائه می دهد. نویسندگان بر چندین جنبه مرزی شبکههای عصبی گراف تأکید میکنند و از دادههای نمودار برای توصیف روابط زوجی برای دادههای دنیای واقعی از بسیاری از حوزههای مختلف، از جمله علوم اجتماعی، شیمی و زیستشناسی استفاده میکنند. چندین مرز از شبکههای عصبی نموداری معرفی شدهاند که خوانندگان را قادر میسازد تا تکنیکهای مورد نیاز پیشرفت در شبکههای عصبی گراف را از طریق مدلهای نظری و کاربردهای دنیای واقعی به دست آورند.
This book provides a comprehensive introduction to the foundations and frontiers of graph neural networks. In addition, the book introduces the basic concepts and definitions in graph representation learning and discusses the development of advanced graph representation learning methods with a focus on graph neural networks. The book providers researchers and practitioners with an understanding of the fundamental issues as well as a launch point for discussing the latest trends in the science. The authors emphasize several frontier aspects of graph neural networks and utilize graph data to describe pairwise relations for real-world data from many different domains, including social science, chemistry, and biology. Several frontiers of graph neural networks are introduced, which enable readers to acquire the needed techniques of advances in graph neural networks via theoretical models and real-world applications.