计算机 类型
可以朗读 语音朗读
195千字 字数
2023-06-01 发行日期
展开全部

主编推荐语

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。

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。

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

  • 版权信息
  • 内容简介
  • 前言 做一名有趣的知识搬运工
  • 符号表
  • 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
  • 2.2.2 无向图与有向图
  • 2.2.3 权值图
  • 2.2.4 邻接矩阵与关联矩阵
  • 2.2.5 邻域和度
  • 2.2.6 度数矩阵
  • 2.2.7 二分图
  • 2.2.8 符号图
  • 2.2.9 图的遍历
  • 2.2.10 图的同构与异构
  • 2.2.11 图的途径、迹与路
  • 2.2.12 图的连通性
  • 2.2.13 节点的中心性
  • 2.3 谱图论基础
  • 2.3.1 拉普拉斯矩阵的来源
  • 2.3.2 拉普拉斯矩阵的性质
  • 2.3.3 拉普拉斯矩阵的谱分解
  • 2.3.4 拉普拉斯矩阵的归一化
  • 2.4 本章小结
  • 参考资料
  • 第3章 神经网络学习与算法优化
  • 3.1 人工神经网络的缘起
  • 3.2 神经网络的第一性原理
  • 3.2.1 通用近似定理
  • 3.2.2 通用近似定理的应用
  • 3.3 感知机模型与前馈神经网络
  • 3.3.1 人工神经元的本质
  • 3.3.2 历久弥新的感知机
  • 3.3.3 备受启发的支持向量机
  • 3.4 更强表征能力的多层感知机
  • 3.5 不可或缺的激活函数
  • 3.5.1 Sigmoid函数
  • 3.5.2 Tanh函数
  • 3.5.3 ReLU函数
  • 3.5.4 Softmax函数
  • 3.6 损失函数
  • 3.6.1 普通的损失函数
  • 3.6.2 交叉熵损失函数
  • 3.7 神经网络的训练
  • 3.7.1 优化算法的意义
  • 3.7.2 基于梯度的优化流程
  • 3.8 优化算法的分类
  • 3.8.1 优化算法的派系
  • 3.8.2 优化算法面临的挑战
  • 3.9 本章小结
  • 参考资料
  • 第4章 深度学习基础
  • 4.1 深度学习时代的兴起
  • 4.2 卷积神经网络
  • 4.2.1 卷积神经网络的整体结构
  • 4.2.2 神经网络中“层”的本质
  • 4.3 可圈可点的卷积层
  • 4.3.1 卷积核
  • 4.3.2 卷积核的工作机理
  • 4.3.3 多通道卷积
  • 4.3.4 用PyTorch实现特定卷积
  • 4.3.5 卷积层的4个核心参数
  • 4.4 降维减负的汇聚层
  • 4.4.1 汇聚层原理
  • 4.4.2 汇聚层实例
  • 4.5 不可或缺的全连接层
  • 4.6 防止过拟合
  • 4.6.1 批归一化处理
  • 4.6.2 丢弃法
  • 4.7 本章小结
  • 参考资料
  • 第5章 神经网络中的表示学习
  • 5.1 表示学习的背景
  • 5.1.1 符号表示与向量表示
  • 5.1.2 为何需要表示学习
  • 5.2 离散表示与独热编码
  • 5.3 分布式表示与神经网络
  • 5.3.1 神经网络是一种分布式表示
  • 5.3.2 深度学习中的“End-to-End”表示学习
  • 5.4 自编码器中的表示学习
  • 5.4.1 自编码器的工作原理
  • 5.4.2 从信息瓶颈看自编码器的原理
  • 5.4.3 欠完备自编码器
  • 5.4.4 正则化自编码器
  • 5.4.5 降噪自编码器
  • 5.4.6 变分自编码器
  • 5.5 嵌入表示与Word2vec
  • 5.5.1 词嵌入
  • 5.5.2 Word2vec的核心思想
  • 5.5.3 跳元模型
  • 5.6 词嵌入实战
  • 5.6.1 读取数据集
  • 5.6.2 数据预处理
  • 5.6.3 模型构建与训练
  • 5.6.4 相似性度量
  • 5.6.5 词向量可视化：t-SNE
  • 5.7 本章小结
  • 参考资料
  • 第6章 面向图数据的嵌入表示
  • 6.1 图嵌入概述
  • 6.2 DeepWalk的原理
  • 6.2.1 DeepWalk的基本思想
  • 6.2.2 随机游走阶段
  • 6.2.3 跳元模型训练阶段
  • 6.2.4 负采样
  • 6.2.5 分层Softmax
  • 6.3 基于DeepWalk的维基百科相似网页检测
  • 6.3.1 数据准备
  • 6.3.2 图的构建
  • 6.3.3 构建随机游走节点序列
  • 6.3.4 利用Word2vec实现DeepWalk
  • 6.3.5 模型的保存与加载
  • 6.3.6 DeepWalk的应用领域
  • 6.4 LINE模型
  • 6.4.1 LINE模型的发展背景
  • 6.4.2 一阶相似度
  • 6.4.3 二阶相似度
  • 6.5 Node2vec
  • 6.5.1 Node2vec的由来
  • 6.5.2 同质性与结构性
  • 6.5.3 Node2vec的工作原理
  • 6.6 Metapath2vec
  • 6.6.1 异构图的定义与问题
  • 6.6.2 基于Meta-path的随机游走
  • 6.7 本章小结
  • 参考资料
  • 第7章 初代图神经网络
  • 7.1 初代图神经网络的诞生
  • 7.2 GNN中的数据聚合
  • 7.2.1 GNN的本质
  • 7.2.2 图中的消息传递
  • 7.3 初代GNN的工作原理
  • 7.3.1 图中节点的信息更新
  • 7.3.2 不动点理论
  • 7.3.3 压缩映射实现的条件
  • 7.3.4 图神经网络模型的训练
  • 7.4 初代图神经网络的局限性
  • 7.5 本章小结
  • 参考资料
  • 第8章 空域图卷积神经网络
  • 8.1 图卷积神经网络概述
  • 8.1.1 图卷积神经网络的诞生
  • 8.1.2 图卷积神经网络的框架
  • 8.2 MPNN模型
  • 8.3 GCN与CNN的关联
  • 8.3.1 局部连接性
  • 8.3.2 层次化表达
  • 8.4 图卷积节点分类实践
  • 8.4.1 图数据的生成
  • 8.4.2 传递规则的实现
  • 8.4.3 考虑权值影响的信息聚合
  • 8.4.4 添加激活函数
  • 8.4.5 模拟一个分类输出
  • 8.5 GraphSAGE
  • 8.5.1 归纳式学习与直推式学习
  • 8.5.2 GraphSAGE所为何来
  • 8.5.3 GraphSAGE的框架
  • 8.5.4 邻居节点采样
  • 8.5.5 特征信息聚合
  • 8.5.6 权值参数训练
  • 8.6 基于GraphSAGE的实践
  • 8.6.1 Cora数据探索
  • 8.6.2 构造正负样本
  • 8.6.3 定义模型
  • 8.6.4 训练参数配置
  • 8.6.5 训练模型
  • 8.6.6 嵌入表示的可视化
  • 8.7 本章小结
  • 参考资料
  • 第9章 谱域图卷积神经网络
  • 9.1 傅里叶变换
  • 9.1.1 傅里叶变换背后的方法论
  • 9.1.2 感性认识傅里叶变换
  • 9.1.3 向量分解与信号过滤
  • 9.2 图傅里叶变换
  • 9.2.1 什么是图信号
  • 9.2.2 图傅里叶变换简介
  • 9.2.3 特征值与图信号频率之间的关系
  • 9.3 谱域视角下的图卷积
  • 9.3.1 图卷积理论
  • 9.3.2 谱域图卷积
  • 9.3.3 基于谱的图滤波器设计
  • 9.4 基于谱域GCN的演进
  • 9.4.1 频率响应参数化的GCN
  • 9.4.2 多项式参数化的GCN
  • 9.4.3 基于切比雪夫网络截断的多项式参数化的GCN
  • 9.4.4 基于一阶切比雪夫网络的GCN
  • 9.5 Karate Club图卷积分类实践
  • 9.5.1 Karate Club数据集
  • 9.5.2 数据导入与探索
  • 9.5.3 邻接矩阵与坐标格式
  • 9.5.4 绘图NetworkX图
  • 9.5.5 半监督的节点分类
  • 9.5.6 模型预测
  • 9.6 本章小结
  • 参考资料
展开全部

评分及书评

评分不足
2个评分
  • 用户头像
    给这本书评了
    5.0
    很棒的一本书，真的是深入浅出，内容非常形象化

    作者的文字非常形象化，很便于初学者理解。之前好多不理解的内容都在这里看明白了，比如数学分析里的拉普拉斯算子，比如传统图论里的特征向量中心性。

      转发
      评论

    出版方

    电子工业出版社

    电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。