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 Introduction to Graph Neural Networks

دانلود کتاب مقدمه ای بر شبکه های عصبی نمودار

Introduction to Graph Neural Networks

مشخصات کتاب

Introduction to Graph Neural Networks

ویرایش:  
نویسندگان:   
سری: Synthesis Lectures on Artificial Intelligence and Machine Learning 
ISBN (شابک) : 1681737655, 9781681737652 
ناشر: Morgan & Claypool 
سال نشر: 2020 
تعداد صفحات: 129 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 23 مگابایت 

قیمت کتاب (تومان) : 39,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 21


در صورت تبدیل فایل کتاب Introduction to 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 مقدمه ای بر شبکه های عصبی نمودار 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 مقدمه ای بر شبکه های عصبی نمودار



گراف‌ها ساختارهای داده‌ای مفیدی در برنامه‌های پیچیده واقعی مانند مدل‌سازی سیستم‌های فیزیکی، یادگیری اثر انگشت مولکولی، کنترل شبکه‌های ترافیکی و توصیه دوستان در شبکه‌های اجتماعی هستند. -داده‌های نمودار اقلیدسی که حاوی اطلاعات رابطه‌ای غنی بین عناصر هستند و نمی‌توانند توسط مدل‌های یادگیری عمیق سنتی (مانند شبکه‌های عصبی کانولوشنال (CNN) یا شبکه‌های عصبی تکراری (RNN)) به خوبی مدیریت شوند. گره‌ها در نمودارها معمولاً حاوی اطلاعات ویژگی مفیدی هستند که نمی‌توان آن‌ها را در اکثر روش‌های یادگیری بازنمایی بدون نظارت (مانند روش‌های تعبیه‌سازی شبکه) به خوبی مورد بررسی قرار داد. شبکه‌های عصبی گراف (GNN) برای ترکیب اطلاعات ویژگی و ساختار گراف برای یادگیری نمایش بهتر روی نمودارها از طریق انتشار ویژگی و تجمع پیشنهاد شده‌اند. به دلیل عملکرد متقاعد کننده و قابلیت تفسیر بالا، GNN اخیراً به یک ابزار تجزیه و تحلیل گراف به طور گسترده تبدیل شده است.

این کتاب مقدمه ای جامع بر مفاهیم، ​​مدل ها و کاربردهای شبکه های عصبی گراف ارائه می دهد. با معرفی مدل GNN وانیلی شروع می شود. سپس انواع مختلفی از مدل وانیلی مانند شبکه‌های کانولوشن گراف، شبکه‌های برگشتی گراف، شبکه‌های توجه گراف، شبکه‌های باقی‌مانده گراف و چندین چارچوب کلی معرفی می‌شوند. انواع مختلف برای انواع نمودارها و روش های آموزشی پیشرفته نیز گنجانده شده است. در مورد کاربردهای GNN ها، کتاب آنها را به سناریوهای ساختاری، غیرساختاری و غیره دسته بندی کرده و سپس چندین مدل معمولی را برای حل این وظایف معرفی می کند. در نهایت، فصل های پایانی منابع باز GNN و چشم انداز چندین جهت آینده را ارائه می دهند.


توضیحاتی درمورد کتاب به خارجی

Graphs are useful data structures in complex real-life applications such as modeling physical systems, learning molecular fingerprints, controlling traffic networks, and recommending friends in social networks. However, these tasks require dealing with non-Euclidean graph data that contains rich relational information between elements and cannot be well handled by traditional deep learning models (e.g., convolutional neural networks (CNNs) or recurrent neural networks (RNNs)). Nodes in graphs usually contain useful feature information that cannot be well addressed in most unsupervised representation learning methods (e.g., network embedding methods). Graph neural networks (GNNs) are proposed to combine the feature information and the graph structure to learn better representations on graphs via feature propagation and aggregation. Due to its convincing performance and high interpretability, GNN has recently become a widely applied graph analysis tool.

This book provides a comprehensive introduction to the basic concepts, models, and applications of graph neural networks. It starts with the introduction of the vanilla GNN model. Then several variants of the vanilla model are introduced such as graph convolutional networks, graph recurrent networks, graph attention networks, graph residual networks, and several general frameworks. Variants for different graph types and advanced training methods are also included. As for the applications of GNNs, the book categorizes them into structural, non-structural, and other scenarios, and then it introduces several typical models on solving these tasks. Finally, the closing chapters provide GNN open resources and the outlook of several future directions.



فهرست مطالب

Preface
Acknowledgments
Introduction
	Motivations
		Convolutional Neural Networks
		Network Embedding
	Related Work
Basics of Math and Graph
	Linear Algebra
		Basic Concepts
		Eigendecomposition
		Singular Value Decomposition
	Probability Theory
		Basic Concepts and Formulas
		Probability Distributions
	Graph Theory
		Basic Concepts
		Algebra Representations of Graphs
Basics of Neural Networks
	Neuron
	Back Propagation
	Neural Networks
Vanilla Graph Neural Networks
	Introduction
	Model
	Limitations
Graph Convolutional Networks
	Spectral Methods
		Spectral Network
		ChebNet
		GCN
		AGCN
	Spatial Methods
		Neural FPs
		PATCHY-SAN
		DCNN
		DGCN
		LGCN
		MoNet
		GraphSAGE
Graph Recurrent Networks
	Gated Graph Neural Networks
	Tree LSTM
	Graph LSTM
	Sentence LSTM
Graph Attention Networks
	GAT
	GAAN
Graph Residual Networks
	Highway GCN
	Jump Knowledge Network
	DeepGCNs
Variants for Different Graph Types
	Directed Graphs
	Heterogeneous Graphs
	Graphs with Edge Information
	Dynamic Graphs
	Multi-Dimensional Graphs
Variants for Advanced Training Methods
	Sampling
	Hierarchical Pooling
	Data Augmentation
	Unsupervised Training
General Frameworks
	Message Passing Neural Networks
	Non-local Neural Networks
	Graph Networks
Applications – Structural Scenarios
	Physics
	Chemistry and Biology
		Molecular Fingerprints
		Chemical Reaction Prediction
		Medication Recommendation
		Protein and Molecular Interaction Prediction
	Knowledge Graphs
		Knowledge Graph Completion
		Inductive Knowledge Graph Embedding
		Knowledge Graph Alignment
	Recommender Systems
		Matrix Completion
		Social Recommendation
Applications – Non-Structural Scenarios
	Image
		Image Classification
		Visual Reasoning
		Semantic Segmentation
	Text
		Text Classification
		Sequence Labeling
		Neural Machine Translation
		Relation Extraction
		Event Extraction
		Fact Verification
		Other Applications
Applications – Other Scenarios
	Generative Models
	Combinatorial Optimization
Open Resources
	Datasets
	Implementations
Conclusion
Bibliography
Authors\' Biographies
Blank Page




نظرات کاربران