从深度学习到图神经网络 模型与实践
正版新书 新华官方库房直发 可开电子发票
￥ 59.4 5.5折 ￥ 108 全新
库存5件
作者张玉宏,杨铁军
出版社电子工业出版社
ISBN9787121456824
出版时间2023-06
版次1
装帧平装
开本16开
纸张胶版纸
页数340页
字数442千字
定价108元
货号SC:9787121456824
上书时间2024-09-17
商品详情
- 品相描述：全新
- 全新正版 提供发票
- 商品描述
-
作者简介:
"张玉宏，博士毕业于电子科技大学，大数据分析师（高级），2009—2011年美国西北大学访问学者，2019—2020年美国IUPUI高级访问学者，CCF郑州分部执行委员，CFF公益大使。现执教于河南工业大学，主要研究方向为人工智能、大数据等。发表学术论文30余篇，先后撰写《深度学习之美：AI时代的数据处理与很好实践》《Python极简讲义：一本书入门数据分析与机器学习》等科技图书15部。
杨铁军，博士，教授，博士生导师，河南省电子学会副理事长，河南省高等学校电子信息类专业教学指导委员会副主任委员，河南省数字政府建设专家委员会委员。主要研究方向：医学图像处理、粮食信息处理。"
主编推荐:
"1.本书从深度学习到图神经网络，涉及的理论知识全面细致，内含数学基础、优化算法、卷积神经网络、表示学习、嵌入表示、空域图卷积神经网络、谱域图卷积神经网络等。
2.本书写作风格通俗易懂，可读性非常高，图文并茂、深入浅出。即使是没有基础的高校学生和AI初阶从业者，也能很容易地通过本书入门，降低了前沿知识的学习门槛。
3.本书内含数十个代码范例，所有代码片段均可获得，学习过程中可以同时上机实践，效率倍增。同时本书还附赠学习视频等资源，方便读者辅助学习。"
媒体评论:
"图神经网络是近年来的热门研究方向之一。进入大语言模型时代，如何继续开展相关的研究，备受业界关注。本书系统介绍了从深度学习到图神经网络的发展历程、代表性模型及前沿进展，对于想要了解和学习图神经网络的高校师生、工程师来说，颇具参考价值。
王昊奋，同济大学百人计划特聘研究员、博士生导师、OpenKG联合创始人
相比于只处理向量和矩阵等结构化数据的传统神经网络，图神经网络能够更好地处理复杂的非结构化数据，并在许多领域有着广泛应用。本书在介绍图神经网络时理论与实践并重、深入且易读，同时结合前沿，使人眼界开阔。相信这本书会让人工智能领域的专业人员，以及对图上深度学习感兴趣的高校科研人员获益。
李鑫，科大讯飞AI研究院副院长、科研部部长
近年来，图深度学习获得了学术界的广泛关注，并在工业界的许多应用中取得了革命性的进展。本书详细介绍了图深度学习的相关知识，包括基础概念和前沿算法，深入浅出，图文并茂，具有较强的可读性。本书对图深度学习的初学者非常友好，适合相关领域的研发人员阅读、学习和探索。
王怡琦，国防科技大学计算机学院助理研究员
张玉宏博士是我认识多年的老朋友。他所著多本科技类图书均以可读性强、通俗易懂著称，这本《从深度学习到图神经网络：模型与实践》依然延续了这个风格。无论是想进行AI前沿科学普及，还是想提升自己的图神经网络学术水平，都适合阅读本书！
July，七月在线创始人兼CEO、CSDN千万级流量博主"
内容简介:
近年来，深度学习在人工智能的发展过程中起到了举足轻重的作用，而图神经网络是人工智能领域的一个新兴方向，被称为图上的深度学习。
本书详细介绍了从深度学习到图神经网络的基础概念和前沿技术，包括图上的深度学习、图神经网络的数学基础、神经网络学习与算法优化、深度学习基础、神经网络中的表示学习、面向图数据的嵌入表示、初代图神经网络、空域及谱域图卷积神经网络等内容。为增强可读性，本书叙述清晰、内容深入浅出、图文并茂，力求降低初学者的学习难度。
本书既可作为人工智能领域研究和开发人员的技术参考书，也可作为对图上的深度学习感兴趣的高年级本科生和研究生的入门书。
目录:
第1章 图上的深度学习
1.1 人工智能与深度学习
1.1.1 深度学习的发展
1.1.2 人工智能的底层逻辑
1.2 图神经网络时代的来临
1.2.1 图与图像大不同
1.2.2 图神经网络的本质
1.3 图数据处理面临的挑战
1.3.1 欧氏空间难表示图
1.3.2 图表达无固定格式
1.3.3 图可视化难理解
1.3.4 图数据不符合独立同分布
1.4 图神经网络的应用层面
1.4.1 节点预测
1.4.2 边预测
1.4.3 图预测
1.5 图神经网络的发展简史
1.5.1 早期的图神经网络
1.5.2 图卷积神经网络的提出
1.5.3 图表示学习
1.5.4 图卷积的简化
1.6 图神经网络的模块与分类
1.6.1 图神经网络的常见模块
1.6.2 图神经网络的分类
1.7 本章小结
参考资料
第2章 图神经网络的数学基础
2.1 矩阵论基础
2.1.1 标量与向量
2.1.2 向量范数
2.1.3 向量的夹角与余弦相似度
2.1.4 矩阵与张量
2.1.5 矩阵的本质
2.1.6 矩阵乘法的三种视角
2.1.7 逆矩阵与行列式
2.1.8 特征值与特征向量
2.1.9 矩阵的平方分解
2.1.10 特征分解
2.1.11 正定矩阵和半正定矩阵
2.2 图论基础
2.2.1 图的表示
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价