掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 圖深度學(xué)習(xí)從理論到實(shí)踐
開本：
其他
頁數(shù)：
148
本類五星書更多>
-
>
全國計(jì)算機(jī)等級(jí)考試最新真考題庫模擬考場及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥67.8
加入購物車
圖深度學(xué)習(xí)從理論到實(shí)踐 版權(quán)信息
- ISBN：9787302604884
- 條形碼：9787302604884 ; 978-7-302-60488-4
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
圖深度學(xué)習(xí)從理論到實(shí)踐 本書特色
圖神經(jīng)網(wǎng)絡(luò)是人工智能的一個(gè)熱點(diǎn)方向,從圖的視角解讀大數(shù)據(jù),可以靈活建模復(fù)雜的信息交互關(guān) 系,吸引大量學(xué)者的關(guān)注并在多個(gè)工業(yè)領(lǐng)域得到廣泛應(yīng)用。《圖深度學(xué)習(xí)從理論到實(shí)踐》由淺入深,全面介紹圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知 識(shí)、典型模型方法和應(yīng)用實(shí)踐。《圖深度學(xué)習(xí)從理論到實(shí)踐》不僅包括一般的深度學(xué)習(xí)基礎(chǔ)和圖基礎(chǔ)知識(shí),還涵蓋了圖表示學(xué)習(xí)、 圖卷積、圖注意力、圖序列等典型圖網(wǎng)絡(luò)模型,以京東自研的Galileo平臺(tái)為代表的圖學(xué)習(xí)框架,以及圖神 經(jīng)網(wǎng)絡(luò)在電商推薦和流量風(fēng)控方面的兩個(gè)典型工業(yè)應(yīng)用。 《圖深度學(xué)習(xí)從理論到實(shí)踐》既適合對(duì)數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)方向以及圖建模交叉方向感興趣的高年級(jí)本科生和研究生作為教 材使用,也適合互聯(lián)網(wǎng)電商、金融風(fēng)控、社交網(wǎng)絡(luò)分析、藥物研發(fā)等企業(yè)的從業(yè)者參考學(xué)習(xí)。
圖深度學(xué)習(xí)從理論到實(shí)踐 內(nèi)容簡介
圖神經(jīng)網(wǎng)絡(luò)是人工智能的一個(gè)熱點(diǎn)方向,從圖的視角解讀大數(shù)據(jù),可以靈活建模復(fù)雜的信息交互關(guān) 系,吸引大量學(xué)者的關(guān)注并在多個(gè)工業(yè)領(lǐng)域得到廣泛應(yīng)用。《圖深度學(xué)習(xí)從理論到實(shí)踐》由淺入深,全面介紹圖神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知 識(shí)、典型模型方法和應(yīng)用實(shí)踐。《圖深度學(xué)習(xí)從理論到實(shí)踐》不僅包括一般的深度學(xué)習(xí)基礎(chǔ)和圖基礎(chǔ)知識(shí),還涵蓋了圖表示學(xué)習(xí)、 圖卷積、圖注意力、圖序列等典型圖網(wǎng)絡(luò)模型,以京東自研的Galileo平臺(tái)為代表的圖學(xué)習(xí)框架,以及圖神 經(jīng)網(wǎng)絡(luò)在電商推薦和流量風(fēng)控方面的兩個(gè)典型工業(yè)應(yīng)用。 《圖深度學(xué)習(xí)從理論到實(shí)踐》既適合對(duì)數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)方向以及圖建模交叉方向感興趣的高年級(jí)本科生和研究生作為教 材使用,也適合互聯(lián)網(wǎng)電商、金融風(fēng)控、社交網(wǎng)絡(luò)分析、藥物研發(fā)等企業(yè)的從業(yè)者參考學(xué)習(xí)。
圖深度學(xué)習(xí)從理論到實(shí)踐 目錄
目錄
第1章深度學(xué)習(xí)基礎(chǔ)
1.1深度學(xué)習(xí)與人工智能
1.2感知機(jī)與神經(jīng)網(wǎng)絡(luò)
1.2.1單層感知機(jī)
1.2.2多層感知機(jī)
1.3前饋神經(jīng)網(wǎng)絡(luò)
1.3.1前饋神經(jīng)網(wǎng)絡(luò)的模型
1.3.2前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
1.4卷積神經(jīng)網(wǎng)絡(luò)
1.4.1圖像數(shù)據(jù)的存儲(chǔ)
1.4.2傳統(tǒng)圖像處理算子
1.4.3卷積
1.4.4池化
1.4.5填充
1.4.6步幅
1.4.7典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
1.4.8卷積神經(jīng)網(wǎng)絡(luò)與多層感知機(jī)的差別
1.5深度學(xué)習(xí)訓(xùn)練的*優(yōu)化算法
1.6深度學(xué)習(xí)中的過擬合和欠擬合
1.7本章小結(jié)
第2章圖基礎(chǔ)
2.1圖的結(jié)構(gòu)
2.2圖的性質(zhì)
2.3圖數(shù)據(jù)的存儲(chǔ)
2.4圖與拉普拉斯矩陣
2.5圖神經(jīng)網(wǎng)絡(luò)簡史
2.5.1挑戰(zhàn)
2.5.2發(fā)展簡史
2.6圖的任務(wù)與應(yīng)用
2.6.1圖的任務(wù)
2.6.2圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用
2.7本章小結(jié)
第3章圖表示學(xué)習(xí)
3.1圖表示學(xué)習(xí)的意義
3.2基于矩陣分解的圖表示學(xué)習(xí)方法
3.3基于隨機(jī)游走的圖表示學(xué)習(xí)
3.3.1Word2Vec算法
3.3.2DeepWalk
3.3.3Node2Vec
3.3.4隨機(jī)游走模型的優(yōu)化策略
3.3.5其他隨機(jī)游走方法
3.4基于深度學(xué)習(xí)的圖表示學(xué)習(xí)
3.4.1局域相似度和全局相似度
3.4.2SDNE算法結(jié)構(gòu)圖
3.5異質(zhì)圖表示學(xué)習(xí)
3.6本章小結(jié)
| 圖深度學(xué)習(xí)從理論到實(shí)踐
目錄 |
第4章圖卷積神經(jīng)網(wǎng)絡(luò)
4.1圖與圖像的差異
4.2傳統(tǒng)圖信號(hào)處理方法
4.3譜域圖卷積神經(jīng)網(wǎng)絡(luò)
4.3.1譜卷積神經(jīng)網(wǎng)絡(luò)
4.3.2切比雪夫網(wǎng)絡(luò)
4.3.3圖卷積神經(jīng)網(wǎng)絡(luò)
4.3.4譜域圖卷積的特點(diǎn)
4.4空域圖卷積神經(jīng)網(wǎng)絡(luò)
4.4.1圖卷積神經(jīng)網(wǎng)絡(luò)空域理解
4.4.2GraphSAGE模型
4.5本章小結(jié)
第5章圖注意力網(wǎng)絡(luò)
5.1注意力機(jī)制
5.1.1注意力機(jī)制的變體
5.1.2注意力機(jī)制的優(yōu)勢
5.1.3應(yīng)用場景
5.2同質(zhì)圖注意力網(wǎng)絡(luò)
5.2.1圖注意力層
5.2.2多頭注意力
5.3異質(zhì)圖注意力網(wǎng)絡(luò)
5.3.1頂點(diǎn)級(jí)別注意力
5.3.2語義級(jí)別注意力
5.4門控注意力網(wǎng)絡(luò)
5.5層次圖注意力網(wǎng)絡(luò)
5.5.1視覺關(guān)系檢測
5.5.2層次圖注意力網(wǎng)絡(luò)模型框架
5.6本章小結(jié)
第6章圖序列神經(jīng)網(wǎng)絡(luò)
6.1傳統(tǒng)序列神經(jīng)網(wǎng)絡(luò)
6.1.1循環(huán)神經(jīng)網(wǎng)絡(luò)
6.1.2長短期記憶神經(jīng)網(wǎng)絡(luò)
6.1.3門控循環(huán)神經(jīng)網(wǎng)絡(luò)
6.2門控序列圖神經(jīng)網(wǎng)絡(luò)
6.3樹與圖結(jié)構(gòu)的LSTM神經(jīng)網(wǎng)絡(luò)
6.3.1非線性結(jié)構(gòu)的LSTM模型
6.3.2GraphLSTM模型
6.4本章小結(jié)
第7章圖卷積神經(jīng)網(wǎng)絡(luò)擴(kuò)展模型
7.1GCN模型的過平滑問題
7.2層采樣加速GCN
7.3關(guān)系圖卷積神經(jīng)網(wǎng)絡(luò)
7.3.1RGCN迭代關(guān)系
7.3.2RGCN可學(xué)習(xí)參數(shù)正則化
7.3.3RGCN應(yīng)用場景
7.4本章小結(jié)
第8章圖深度學(xué)習(xí)框架
8.1統(tǒng)一編程范式
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(xué)習(xí)框架Galileo
8.3.1設(shè)計(jì)概要
8.3.2圖引擎層
8.3.3圖訓(xùn)練框架
8.3.4支持算法模型
8.3.5圖模型實(shí)踐
8.4本章小結(jié)
第9章圖神經(jīng)網(wǎng)絡(luò)在推薦場景下的應(yīng)用
9.1推薦系統(tǒng)的目的與挑戰(zhàn)
9.2傳統(tǒng)推薦方法
9.3圖推薦算法
9.3.1基于圖表示學(xué)習(xí)的推薦方法
9.3.2基于圖深度學(xué)習(xí)的推薦方法
9.4電商業(yè)務(wù)推薦實(shí)踐
9.5本章小結(jié)
第10章圖神經(jīng)網(wǎng)絡(luò)在流量風(fēng)控場景中的應(yīng)用
10.1背景介紹
10.2廣告流量計(jì)費(fèi)模式
10.3廣告作弊動(dòng)機(jī)
10.4廣告反作弊中的傳統(tǒng)圖算法
10.5廣告反作弊圖深度學(xué)習(xí)方法
10.6本章小結(jié)
參考文獻(xiàn)
展開全部
書友推薦
- >
李白與唐代文化
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
我與地壇
- >
巴金－再思錄
- >
山海經(jīng)
- >
羅曼·羅蘭讀書隨筆-精裝
- >
朝聞道
- >
唐代進(jìn)士錄
本類暢銷
