久久久精品国产四虎,69性影院在线观看国产精品

內(nèi)容簡介

　　近年來，深度學(xué)習(xí)在人工智能的發(fā)展過程中起到了舉足輕重的作用，而圖神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域的一個新興方向，被稱為圖上的深度學(xué)習(xí)。本書詳細介紹了從深度學(xué)習(xí)到圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)概念和前沿技術(shù)，包括圖上的深度學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)基礎(chǔ)、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與算法優(yōu)化、深度學(xué)習(xí)基礎(chǔ)、神經(jīng)網(wǎng)絡(luò)中的表示學(xué)習(xí)、面向圖數(shù)據(jù)的嵌入表示、初代圖神經(jīng)網(wǎng)絡(luò)、空域及譜域圖卷積神經(jīng)網(wǎng)絡(luò)等內(nèi)容。為增強可讀性，本書敘述清晰、內(nèi)容深入淺出、圖文并茂，力求降低初學(xué)者的學(xué)習(xí)難度。本書既可作為人工智能領(lǐng)域研究和開發(fā)人員的技術(shù)參考書，也可作為對圖上的深度學(xué)習(xí)感興趣的高年級本科生和研究生的入門書。

作者簡介

　　張玉宏，博士畢業(yè)于電子科技大學(xué)，大數(shù)據(jù)分析師（高級），2009—2011年美國西北大學(xué)訪問學(xué)者，2019—2020年美國IUPUI高級訪問學(xué)者，CCF鄭州分部執(zhí)行委員，CFF公益大使。現(xiàn)執(zhí)教于河南工業(yè)大學(xué)，主要研究方向為人工智能、大數(shù)據(jù)等。發(fā)表學(xué)術(shù)論文30余篇，先后撰寫《深度學(xué)習(xí)之美：AI時代的數(shù)據(jù)處理與實踐》《Python極簡講義：一本書入門數(shù)據(jù)分析與機器學(xué)習(xí)》等科技圖書15部。楊鐵軍，博士，教授，博士生導(dǎo)師，河南省電子學(xué)會副理事長，河南省高等學(xué)校電子信息類專業(yè)教學(xué)指導(dǎo)委員會副主任委員，河南省數(shù)字政府建設(shè)專家委員會委員。主要研究方向：醫(yī)學(xué)圖像處理、糧食信息處理。

圖書目錄

第1章圖上的深度學(xué)習(xí) 1
1.1 人工智能與深度學(xué)習(xí) 2
1.2 圖神經(jīng)網(wǎng)絡(luò)時代的來臨 6
1.3 圖數(shù)據(jù)處理面臨的挑戰(zhàn) 9
1.4 圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用層面 12
1.5 圖神經(jīng)網(wǎng)絡(luò)的發(fā)展簡史 15
1.6 圖神經(jīng)網(wǎng)絡(luò)的模塊與分類 20
1.7 本章小結(jié) 23
參考資料 24

第2章圖神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)基礎(chǔ) 27
2.1 矩陣論基礎(chǔ) 28
2.2 圖論基礎(chǔ) 43
2.3 譜圖論基礎(chǔ) 65
2.4 本章小結(jié) 80
參考資料 80

第3章神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與算法優(yōu)化 82
3.1 人工神經(jīng)網(wǎng)絡(luò)的緣起 83
3.2 神經(jīng)網(wǎng)絡(luò)的性原理 84
3.3 感知機模型與前饋神經(jīng)網(wǎng)絡(luò) 87
3.4 更強表征能力的多層感知機 91
3.5 不可或缺的激活函數(shù) 93
3.6 損失函數(shù) 100
3.7 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 105
3.8 優(yōu)化算法的分類 109
3.9 本章小結(jié) 112
參考資料 113

第4章深度學(xué)習(xí)基礎(chǔ) 115
4.1 深度學(xué)習(xí)時代的興起 116
4.2 卷積神經(jīng)網(wǎng)絡(luò) 118
4.3 可圈可點的卷積層 120
4.4 降維減負的匯聚層 131
4.5 不可或缺的全連接層 135
4.6 防止過擬合 136
4.7 本章小結(jié) 143
參考資料 143

第5章神經(jīng)網(wǎng)絡(luò)中的表示學(xué)習(xí) 145
5.1 表示學(xué)習(xí)的背景 146
5.2 離散表示與獨熱編碼 148
5.3 分布式表示與神經(jīng)網(wǎng)絡(luò) 150
5.4 自編碼器中的表示學(xué)習(xí) 153
5.5 嵌入表示與Word2vec 161
5.6 詞嵌入實戰(zhàn) 171
5.7 本章小結(jié) 179
參考資料 180

第6章面向圖數(shù)據(jù)的嵌入表示 182
6.1 圖嵌入概述 183
6.2 DeepWalk的原理 184
6.3 基于DeepWalk的維基百科相似網(wǎng)頁檢測 198
6.4 LINE模型 208
6.5 Node2vec 211
6.6 Metapath2vec 215
6.7 本章小結(jié) 218
參考資料 219

第7章初代圖神經(jīng)網(wǎng)絡(luò) 221
7.1 初代圖神經(jīng)網(wǎng)絡(luò)的誕生 222
7.2 GNN中的數(shù)據(jù)聚合 222
7.3 初代GNN的工作原理 225
7.4 初代圖神經(jīng)網(wǎng)絡(luò)的局限性 235
7.5 本章小結(jié) 235
參考資料 236

第8章空域圖卷積神經(jīng)網(wǎng)絡(luò) 238
8.1 圖卷積神經(jīng)網(wǎng)絡(luò)概述 239
8.2 MPNN模型 244
8.3 GCN與CNN的關(guān)聯(lián) 245
8.4 圖卷積節(jié)點分類實踐 248
8.5 GraphSAGE 263
8.6 基于GraphSAGE的實踐 273
8.7 本章小結(jié) 283
參考資料 284

第9章譜域圖卷積神經(jīng)網(wǎng)絡(luò) 286
9.1 傅里葉變換 287
9.2 圖傅里葉變換 2909.3 譜域視角下的圖卷積 296
9.4 基于譜域GCN的演進 300
9.5 Karate Club圖卷積分類實踐 308
9.6 本章小結(jié) 323
參考資料 323