ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Graph Representation Learning

دانلود کتاب آموزش نمایش گراف

Graph Representation Learning

مشخصات کتاب

Graph Representation Learning

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: 1 
نویسندگان:   
سری: Synthesis Lectures on Artificial Intelligence and Machine Learning 
ISBN (شابک) : 1681739631, 9781681739656 
ناشر: Morgan & Claypool 
سال نشر: 2020 
تعداد صفحات: 161 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 50,000



کلمات کلیدی مربوط به کتاب آموزش نمایش گراف: شبکه های عصبی، یادگیری عمیق، شبکه های اجتماعی، تجزیه و تحلیل شبکه، نمودار دانش، نمودار شبکه های عصبی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 3


در صورت تبدیل فایل کتاب Graph Representation Learning 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 آموزش نمایش 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.


توضیحاتی در مورد کتاب آموزش نمایش گراف

داده های ساختاریافته نمودار در سراسر علوم طبیعی و اجتماعی، از شبکه های مخابراتی گرفته تا شیمی کوانتومی، در همه جا حاضر هستند. ایجاد سوگیری های استقرایی رابطه ای در معماری های یادگیری عمیق برای ایجاد سیستم هایی که می توانند از این نوع داده ها یاد بگیرند، استدلال کنند و تعمیم دهند، بسیار مهم است. سال‌های اخیر شاهد افزایش تحقیقات در زمینه یادگیری بازنمایی گراف بوده‌ایم، از جمله تکنیک‌هایی برای جاسازی گراف عمیق، تعمیم شبکه‌های عصبی کانولوشنال به داده‌های ساختاریافته گراف، و رویکردهای انتقال پیام عصبی با الهام از انتشار باور. این پیشرفت‌ها در یادگیری نمایش نمودار منجر به نتایج پیشرفته‌ای جدید در حوزه‌های متعدد، از جمله سنتز شیمیایی، دید سه‌بعدی، سیستم‌های توصیه‌کننده، پاسخ‌گویی به سؤال و تحلیل شبکه‌های اجتماعی شده است. این کتاب ترکیبی و مروری بر یادگیری نمایش نمودار ارائه می دهد. این با بحث در مورد اهداف یادگیری نمایش نمودار و همچنین مبانی روش شناختی کلیدی در نظریه گراف و تحلیل شبکه آغاز می شود. به دنبال آن، کتاب روش‌هایی را برای یادگیری جاسازی گره‌ها، از جمله روش‌های مبتنی بر پیاده‌روی تصادفی و کاربرد در نمودارهای دانش، معرفی و مرور می‌کند. سپس یک ترکیب فنی و مقدمه‌ای بر فرمالیسم شبکه عصبی گراف (GNN) بسیار موفق ارائه می‌کند، که به یک الگوی غالب و در حال رشد سریع برای یادگیری عمیق با داده‌های گراف تبدیل شده است. این کتاب با ترکیبی از پیشرفت‌های اخیر در مدل‌های مولد عمیق برای نمودارها به پایان می‌رسد. زیرمجموعه‌ای نوپا اما به سرعت در حال رشد از یادگیری نمایش گراف.


توضیحاتی درمورد کتاب به خارجی

Graph-structured data is ubiquitous throughout the natural and social sciences, from telecommunication networks to quantum chemistry. Building relational inductive biases into deep learning architectures is crucial for creating systems that can learn, reason, and generalize from this kind of data. Recent years have seen a surge in research on graph representation learning, including techniques for deep graph embeddings, generalizations of convolutional neural networks to graph-structured data, and neural message-passing approaches inspired by belief propagation. These advances in graph representation learning have led to new state-of-the-art results in numerous domains, including chemical synthesis, 3D vision, recommender systems, question answering, and social network analysis. This book provides a synthesis and overview of graph representation learning. It begins with a discussion of the goals of graph representation learning as well as key methodological foundations in graph theory and network analysis. Following this, the book introduces and reviews methods for learning node embeddings, including random-walk-based methods and applications to knowledge graphs. It then provides a technical synthesis and introduction to the highly successful graph neural network (GNN) formalism, which has become a dominant and fast-growing paradigm for deep learning with graph data. The book concludes with a synthesis of recent advancements in deep generative models for graphs—a nascent but quickly growing subset of graph representation learning.



فهرست مطالب

Preface
Acknowledgments
Introduction
	What is a Graph?
		Multi-Relational Graphs
		Feature Information
	Machine Learning on Graphs
		Node Classification
		Relation Prediction
		Clustering and Community Detection
		Graph Classification, Regression, and Clustering
Background and Traditional Approaches
	Graph Statistics and Kernel Methods
		Node-Level Statistics and Features
		Graph-Level Features and Graph Kernels
	Neighborhood Overlap Detection
		Local Overlap Measures
		Global Overlap Measures
	Graph Laplacians and Spectral Methods
		Graph Laplacians
		Graph Cuts and Clustering
		Generalized Spectral Clustering
	Toward Learned Representations
Node Embeddings
	Neighborhood Reconstruction Methods
		An Encoder-Decoder Perspective
			The Encoder
			The Decoder
			Optimizing an Encoder-Decoder Model
			Overview of the Encoder-Decoder Approach
		Factorization-Based Approaches
		Random Walk Embeddings
			Random Walk Methods and Matrix Factorization
		Limitations of Shallow Embeddings
	Multi-Relational Data and Knowledge Graphs
		Reconstructing Multi-Relational Data
		Loss Functions
		Multi-Relational Decoders
			Representational Abilities
Graph Neural Networks
	The Graph Neural Network Model
		Neural Message Passing
			Overview of the Message Passing Framework
			Motivations and Intuitions
			The Basic GNN
			Message Passing with Self-Loops
		Generalized Neighborhood Aggregation
			Neighborhood Normalization
			Set Aggregators
			Neighborhood Attention
		Generalized Update Methods
			Concatenation and Skip-Connections
			Gated Updates
			Jumping Knowledge Connections
		Edge Features and Multi-Relational GNNs
			Relational Graph Neural Networks
			Attention and Feature Concatenation
		Graph Pooling
		Generalized Message Passing
	Graph Neural Networks in Practice
		Applications and Loss Functions
			GNNs for Node Classification
			GNNs for Graph Classification
			GNNs for Relation Prediction
			Pre-Training GNNs
		Efficiency Concerns and Node Sampling
			Graph-Level Implementations
			Subsampling and Mini-Batching
		Parameter Sharing and Regularization
	Theoretical Motivations
		GNNs and Graph Convolutions
			Convolutions and the Fourier Transform
			From Time Signals to Graph Signals
			Spectral Graph Convolutions
			Convolution-Inspired GNNs
		GNNs and Probabilistic Graphical Models
			Hilbert Space Embeddings of Distributions
			Graphs as Graphical Models
			Embedding Mean-Field Inference
			GNNs and PGMs More Generally
		GNNs and Graph Isomorphism
			Graph Isomorphism
			Graph Isomorphism and Representational Capacity
			The Weisfieler–Lehman Algorithm
			GNNs and the WL Algorithm
			Beyond the WL Algorithm
Generative Graph Models
	Traditional Graph Generation Approaches
		Overview of Traditional Approaches
		Erdös–Rényi Model
		Stochastic Block Models
		Preferential Attachment
		Traditional Applications
	Deep Generative Models
		Variational Autoencoder Approaches
			Node-Level Latents
			Graph-Level Latents
		Adversarial Approaches
		Autoregressive Methods
			Modeling Edge Dependencies
			Recurrent Models for Graph Generation
		Evaluating Graph Generation
		Molecule Generation
	Conclusion
	Bibliography
	Author\'s Biography
Blank Page




نظرات کاربران