توضیحاتی در مورد کتاب Deep Learning on Graphs
نام کتاب : Deep Learning on Graphs
عنوان ترجمه شده به فارسی : یادگیری عمیق در نمودارها
سری :
نویسندگان : Yao Ma, Jiliang Tang
ناشر : Cambridge University Press
سال نشر : 2021
تعداد صفحات : 339
ISBN (شابک) : 1108831745 , 9781108831741
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 27 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
یادگیری عمیق بر روی نمودارها به یکی از داغ ترین موضوعات در یادگیری ماشین تبدیل شده است. این کتاب از چهار بخش تشکیل شده است تا خوانندگان ما را با پیشینه ها و اهداف متنوع از خواندن به بهترین نحو در خود جای دهد. بخش 1 مفاهیم اساسی نمودارها و یادگیری عمیق را معرفی می کند. بخش 2 در مورد روش های شناخته شده از تنظیمات اولیه تا پیشرفته بحث می کند. بخش 3 معمولی ترین کاربردها از جمله پردازش زبان طبیعی، بینایی کامپیوتری، داده کاوی، بیوشیمی و مراقبت های بهداشتی را ارائه می کند. و قسمت 4 پیشرفت های روش ها و کاربردهایی را که برای تحقیقات آینده مهم و امیدوارکننده هستند، توصیف می کند. این کتاب مستقل است و آن را برای طیف وسیع تری از خوانندگان از جمله (1) دانشجویان ارشد و کارشناسی ارشد در دسترس قرار می دهد. (2) شاغلین و مدیران پروژه که می خواهند شبکه های عصبی گراف را در محصولات و پلتفرم های خود بکار گیرند. و (3) محققان بدون پیشینه علوم کامپیوتر که می خواهند از شبکه های عصبی گراف برای پیشرفت رشته های خود استفاده کنند.
توضیحاتی در مورد کتاب به زبان اصلی :
Deep learning on graphs has become one of the hottest topics in machine learning. The book consists of four parts to best accommodate our readers with diverse backgrounds and purposes of reading. Part 1 introduces basic concepts of graphs and deep learning; Part 2 discusses the most established methods from the basic to advanced settings; Part 3 presents the most typical applications including natural language processing, computer vision, data mining, biochemistry and healthcare; and Part 4 describes advances of methods and applications that tend to be important and promising for future research. The book is self-contained, making it accessible to a broader range of readers including (1) senior undergraduate and graduate students; (2) practitioners and project managers who want to adopt graph neural networks into their products and platforms; and (3) researchers without a computer science background who want to use graph neural networks to advance their disciplines.