圖深度學習從理論到實踐
包勇軍、朱小坤、顏偉鵬、姚普 主編 張新靜、陳曉宇、杜華、李傑、劉健、韓小濤、胡俊琪、張維 副主編
- 出版商: 清華大學
- 出版日期: 2022-05-01
- 售價: $534
- 貴賓價: 9.5 折 $507
- 語言: 簡體中文
- ISBN: 7302604886
- ISBN-13: 9787302604884
-
相關分類:
DeepLearning
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
物件導向程式設計的精髓－使用 UML 工具和 Java 語言$450$351 -
機器學習的數學基礎 : AI、深度學習打底必讀$580$458 -
基於 LMI 的控制系統設計、分析及 MATLAB 模擬$414$393 -
強化式學習：打造最強 AlphaZero 通用演算法$780$616 -
$403圖神經網絡：基礎與前沿 -
深度強化式學習 (Deep Reinforcement Learning in Action)$1,000$790 -
圖神經網絡導論$419$398 -
圖深度學習$708$673 -
$556圖表示學習 -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
Power BI 入門 大數據視覺化 + 智慧決策 + 雲端分享 王者歸來 (全彩印刷)$620$490 -
IoT 物聯網應用 - 使用 ESP32 開發版與 Arduino C 程式語言 - 最新版(第二版)$420$378 -
MATLAB 金融風險管理師 FRM : 金融科技 Fintech 應用$1,194$1,134 -
結合 Matlab 與 ROS 快速上手無人自走車$700$553 -
Python 資料分析必備套件！Pandas 資料清理、重塑、過濾、視覺化 (Pandas 1.x Cookbook, 2/e)$780$616 -
真槍實彈做專案：PyQt5 極速開發視窗軟體$880$695 -
$662PyTorch 深度學習和圖神經網絡 捲2 開發應用 -
集成式學習：Python 實踐！整合全部技術，打造最強模型 (Hands-On Ensemble Learning with Python: Build highly optimized ensemble machine learning models using scikit-learn and Keras)$750$593 -
開發者傳授 PyTorch 秘笈$1,200$1,020 -
$403檢索匹配：深度學習在搜索、廣告、推薦系統中的應用 -
深度學習－使用 TensorFlow 2.x$600$540 -
$383MATLAB 數學分析 -
全格局使用 PyTorch -- 深度學習和圖神經網路 -- 基礎篇$880$581 -
$505知識圖譜實戰 -
時間序列與機器學習$600$570
相關主題
商品描述
目錄大綱
目錄
第1章深度學習基礎
1.1深度學習與人工智能
1.2感知機與神經網絡
1.2.1單層感知機
1.2.2多層感知機
1.3前饋神經網絡
1.3.1前饋神經網絡的模型
1.3.2前饋神經網絡的學習
1.4捲積神經網絡
1.4.1圖像數據的存儲
1.4.2傳統圖像處理算子
1.4.3捲積
1.4.4池化
1.4.5填充
1.4.6步幅
1.4.7典型的捲積神經網絡結構
1.4.8捲積神經網絡與多層感知機的差別
1.5深度學習訓練的最優化算法
1.6深度學習中的過擬合和欠擬合
1.7本章小結
第2章圖基礎
2.1圖的結構
2.2圖的性質
2.3圖數據的存儲
2.4圖與拉普拉斯矩陣
2.5圖神經網絡簡史
2.5.1挑戰
2.5.2發展簡史
2.6圖的任務與應用
2.6.1圖的任務
2.6.2圖神經網絡的應用
2.7本章小結
第3章圖表示學習
3.1圖表示學習的意義
3.2基於矩陣分解的圖表示學習方法
3.3基於隨機游走的圖表示學習
3.3.1Word2Vec算法
3.3.2DeepWalk
3.3.3Node2Vec
3.3.4隨機游走模型的優化策略
3.3.5其他隨機游走方法
3.4基於深度學習的圖表示學習
3.4.1局域相似度和全局相似度
3.4.2SDNE算法結構圖
3.5異質圖表示學習
3.6本章小結
| 圖深度學習從理論到實踐
目錄 |
第4章圖捲積神經網絡
4.1圖與圖像的差異
4.2傳統圖信號處理方法
4.3譜域圖捲積神經網絡
4.3.1譜捲積神經網絡
4.3.2切比雪夫網絡
4.3.3圖捲積神經網絡
4.3.4譜域圖捲積的特點
4.4空域圖捲積神經網絡
4.4.1圖捲積神經網絡空域理解
4.4.2GraphSAGE模型
4.5本章小結
第5章圖註意力網絡
5.1註意力機制
5.1.1註意力機制的變體
5.1.2註意力機制的優勢
5.1.3應用場景
5.2同質圖註意力網絡
5.2.1圖註意力層
5.2.2多頭註意力
5.3異質圖註意力網絡
5.3.1頂點級別註意力
5.3.2語義級別註意力
5.4門控註意力網絡
5.5層次圖註意力網絡
5.5.1視覺關系檢測
5.5.2層次圖註意力網絡模型框架
5.6本章小結
第6章圖序列神經網絡
6.1傳統序列神經網絡
6.1.1循環神經網絡
6.1.2長短期記憶神經網絡
6.1.3門控循環神經網絡
6.2門控序列圖神經網絡
6.3樹與圖結構的LSTM神經網絡
6.3.1非線性結構的LSTM模型
6.3.2GraphLSTM模型
6.4本章小結
第7章圖捲積神經網絡擴展模型
7.1GCN模型的過平滑問題
7.2層採樣加速GCN
7.3關系圖捲積神經網絡
7.3.1RGCN迭代關系
7.3.2RGCN可學習參數正則化
7.3.3RGCN應用場景
7.4本章小結
第8章圖深度學習框架
8.1統一編程範式
8.1.1MPNN
8.1.2NLNN
8.1.3GN
8.2主流框架簡介
8.2.1PyG
8.2.2DGL
8.2.3AliGraph
8.3京東圖深度學習框架Galileo
8.3.1設計概要
8.3.2圖引擎層
8.3.3圖訓練框架
8.3.4支持算法模型
8.3.5圖模型實踐
8.4本章小結
第9章圖神經網絡在推薦場景下的應用
9.1推薦系統的目的與挑戰
9.2傳統推薦方法
9.3圖推薦算法
9.3.1基於圖表示學習的推薦方法
9.3.2基於圖深度學習的推薦方法
9.4電商業務推薦實踐
9.5本章小結
第10章圖神經網絡在流量風控場景中的應用
10.1背景介紹
10.2廣告流量計費模式
10.3廣告作弊動機
10.4廣告反作弊中的傳統圖算法
10.5廣告反作弊圖深度學習方法
10.6本章小結
參考文獻
