图深度学习
正版新书 新华官方库房直发 可开电子发票
￥ 64.9 5.5折 ￥ 118 全新
库存8件
作者YaoMa（马耀），JiliangTang（汤继良）
出版社电子工业出版社
ISBN9787121394782
出版时间2021-05
版次1
装帧平装
开本16开
纸张胶版纸
页数320页
字数384千字
定价118元
货号SC:9787121394782
上书时间2024-11-02
- 在售商品 暂无
- 平均发货时间 15小时
- 好评率 暂无
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:
"马 耀
密歇根州立大学博士研究生。他将于2021年秋季学期作为助理教授加入新泽西理工学院。他是密歇根州立大学杰出博士生奖以及FAST Fellowship的获奖者。他的研究兴趣包括网络嵌入和图神经网络。他的论文多次发表在KDD、WWW、IJCAI、SIGIR和TKDE等数据挖掘很好会议和期刊上。他在众多知名会议（如ICML、 KDD、 AAAI和IJCAI等）以及杂志（如TKDD、TKDE和TPAMI等）担任程序委员会委员以及审稿人。他是AAAI图神经网络和KDD图深度学习教学讲座的第一组织者和演讲者，这些教学讲座都获得了领域内外的巨大关注和广泛好评。
汤继良
密西根州立大学助理教授。在这之前，他曾担任雅虎研究院研究员，于2015年从亚利桑那州立大学取得博士学位。他在图特征选择、图表征学习、图深度学习以及它们在互联网和社交媒体上的应用方面做出了杰出贡献。他曾经获得 SIGKDD新星奖（Rising Star Award）、Withrow杰出研究奖（Distinguished Withrow Research Award）、美国自然科学基金杰出青年奖（NSF Career Award）、IJCAI早期焦点人物演讲（IJCAI Early Career Talk）和包括KDD、WSDM等在内的7项领域知名会议的很好（或提名）论文奖。他的博士论文获得SIGKDD很好博士论文（KDD Best Dissertation）亚军和院长优秀博士论文奖（Dean’s Dissertation Award）。他是SIAM数据分析小组和ACM TKDD期刊的秘书长。他经常当任数据挖掘很好会议的组织者和很好期刊的编委。他的研究成果发表在领域很好的期刊和会议上，现已获得了超过14,000多次的引用（H指数为60）和媒体的广泛关注和报道。
译者介绍
王怡琦
密歇根州立大学博
...
主编推荐:
"全书从背景介绍、理论细节，到实际应用，再到总结与拓展，深入浅出。
涵盖了学习图深度学习必须了解的基础知识，图深度学习中经典的模型方法，图深度学习在实际中的应用方法，以及图深度学习近期新的研究热点和前沿进展。
揭秘图深度学习的基本原理和经典算法，包括现代图嵌入、用于简单图和复杂图的GNN、GNN 的健壮性和可扩展性及GNN 之外的图深度模型。
应用部分介绍了GNN 在典型领域的应用，包括自然语言处理、计算机视觉、数据挖掘、生物化学和医疗健康
适合计算机科学、人工智能和机器学习等相关专业各个阶段的学生学习，也可供信息领域相关从业者，包括工程师和研究人员阅读。"
媒体评论:
"图以其强大的表达能力，已经成为数据挖掘和机器学习领域的重要研究对象。而图神经网络被认为是充分发挥图表征能力的新一代学习框架，是当前学术界和产业界共同关注的焦点。本书由该领域知名学者汤继良教授团队倾力打造，对理解图神经网络的核心技术，把握发展趋势具有重要的参考和学习价值。
崔鹏
清华大学计算机系副教授，ACM 杰出科学家
本书是一本系统性介绍图深度学习的读物。全书深入浅出地归纳了图深度学习的基础知识，分析了该领域的前沿研究现状，并展望了面向图机器学习的未来研究方向。无论是对于图机器学习的初学者，还是对于从事该领域的研究者，本书都具有十分重要的引导意义和参考价值。
刘新旺
国防科技大学计算机学院教授
图神经网络是机器学习领域最活跃的研究方向之一。由汤继良教授和他的学生合著的《图深度学习》涵盖了图神经网络的基础理论、模型方法、实际应用和前沿进展，在深度和广度方面做到了很好的结合，是一本的好书，值得仔细品味。
姬水旺
得克萨斯农工大学教授，ACM 杰出科学家
图深度学习是人工智能、机器学习的重大热点和主要方向之一，但内容繁杂，不易掌握。这本《图深度学习》凝聚了作者多年来的研究、教学心得，在这个关键时间点上高屋建瓴地总结了整个方向的基础、方法、应用和近期新进展，非常及时、恰到好处。本书是一本难得的入门和精进宝典，适合各阶段的高校学生、研究人员和实践者系统学习或案头备考。
裴健
西蒙弗雷泽大学教授，加拿大皇家科学院、加拿大工程院院士
ACM/IEEE 会士，ACM SIGKDD 主席
图神经网络是当前机器学习领域的一个热门研究方向，在逻辑推理、知识图谱、推荐系统、自然语言处理、新药以及材料研发等众多领域都有广泛的应用。本书由图神经网络方向知名学者汤继良教授及其博士生领衔撰写，系统地介绍了图神经网络的发展背景、基本原理、在多个领域的应用以及当前
...
内容简介:
本书全面介绍了图深度学习的理论基础、模型方法及实际应用。全书分为4 篇，共15 章。第1 篇为基础理论，重点介绍图和深度学习的基础知识，包括图的关键概念和属性、各种基础的神经网络模型、训练深度学习模型的关键方法以及防止训练过程中过度拟合的实用技术；第2 篇为模型方法，涵盖了从基本设置到高级设置的成熟的图深度学习方法，包括图嵌入、图过滤和池化操作、图对抗攻击和图对抗防御技术、可扩展性图神经网络的代表性技术以及图神经网络之外的众多图深度模型；第3 篇为实际应用，重点介绍了拥有代表性的实际应用，包括自然语言处理、计算机视觉、数据挖掘、生物化学与医疗健康等；第4 篇为前沿进展，介绍了有可能成为将来研究热点的高级方法和应用，主要从表达性、深度、公平性、可解释性和自监督学习等内容。在组织结构方面，每章首先介绍写作动机，然后通过具体示例或技术细节介绍相应内容，最后提供更多的扩展阅读知识。本书既适合对数据挖掘、机器学习和社交网络分析感兴趣的本科生和研究生阅读，也适合企业开发者和项目经理阅读。对于没有计算机科学背景，但想要应用图神经网络来推进其所在学科发展的研究人员，本书同样是一本值得参考的读物。
目录:
第1 章绪论1
1.1 简介2
1.2 图深度学习的动机2
1.3 本书内容4
1.4 本书读者定位6
1.5 图特征学习的简要发展史7
1.5.1 图特征选择8
1.5.2 图表示学习9
1.6 小结10
1.7 扩展阅读11
第1 篇基础理论
第2 章图论基础15
2.1 简介16
2.2 图的表示16
2.3 图的性质17
2.3.1 度17
2.3.2 连通度19
2.3.3 中心性21
2.4 谱图论24
2.4.1 拉普拉斯矩阵24
2.4.2 拉普拉斯矩阵的特征值和特征向量26
2.5 图信号处理27
2.6 复杂图30
2.6.1 异质图30
2.6.2 二分图30
2.6.3 多维图31
2.6.4 符号图32
2.6.5 超图33
2.6.6 动态图33
2.7 图的计算任务34
2.7.1 侧重于节点的任务35
2.7.2 侧重于图的任务36
2.8 小结37
2.9 扩展阅读37
第3 章深度学习基础39
3.1 简介40
3.2 深度前馈神经网络41
3.2.1 网络结构42
3.2.2 激活函数43
3.2.3 输出层和损失函数45
3.3 卷积神经网络47
3.3.1 卷积操作和卷积层48
3.3.2 实际操作中的卷积层51
3.3.3 非线性激活层52
3.3.4 池化层53
3.3.5 卷积神经网络总体框架53
3.4 循环神经网络54
3.4.1 传统循环神经网络的网络结构55
3.4.2 长短期记忆网络56
3.4.3 门控循环单元58
3.5 自编码器59
3.5.1 欠完备自编码器59
3.5.2 正则化自编码器60
3.6 深度神经网络的训练61
3.6.1 梯度下降61
3.6.2 反向传播62
3.6.3 预防过
...
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价