دانلود کتاب Graph Representation Learning
49,000 تومان
آموزش نمایش نمودار
| موضوع اصلی | کامپیوتر – علوم کامپیوتر |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | Morgan & Claypool |
| تعداد صفحه | 160 / 161 |
| حجم فایل | 7.09 مگابایت |
| کد کتاب | 1681739658 , 9781681739656 |
| نوبت چاپ | 1 |
| نویسنده | William L. Hamilton |
|---|---|
| زبان | انگلیسی |
| فرمت | |
| سال انتشار | 2020 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
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 graphsa nascent but quickly growing subset of graph representation learning.
ترجمه فارسی (ترجمه ماشینی)
دادههای ساختاریافته نمودار در سراسر علوم طبیعی و اجتماعی، از شبکههای 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 تجزیه 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 برای 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.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.