Cicha rewolucja, która nadesz

Osoby które kupowały "Grafowe sieci neuronowe. Teoria i praktyka", wybierały także:

• Zaawansowane uczenie maszynowe z językiem Python 55,94 zł, (17,90 zł -68%)
• Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych 149,00 zł, (67,05 zł -55%)
• Python. Uczenie maszynowe w przyk 129,00 zł, (64,50 zł -50%)
• Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona 79,00 zł, (39,50 zł -50%)
• Zaawansowane techniki przetwarzania j 89,00 zł, (44,50 zł -50%)

Spis treści

Grafowe sieci neuronowe. Teoria i praktyka eBook -- spis treści

Wstęp

Notacja i oznaczenia

Rozdział 1. Narzędzia analizy grafów w środowisku Pythona

• 1.1. Biblioteki do klasycznej analizy grafów
• 1.2. Grafowe bazy danych
• 1.3. Biblioteki do budowania grafowych sieci neuronowych
  • 1.3.1. PyTorch Geometric
  • 1.3.2. Deep Graph Library
  • 1.3.3. Porównanie bibliotek

Rozdział 2. Wybrane zagadnienia teorii grafów

• 2.1. Podstawowe definicje i oznaczenia
• 2.2. Reprezentacja grafów i sąsiedztwa
  • 2.2.1. Macierze sąsiedztwa
  • 2.2.2. Listy sąsiedztwa
• 2.3. Liczbowe własności wierzchołków i grafów
  • 2.3.1. Miary centralności wierzchołków
  • 2.3.2. Numeryczna reprezentacja grafu
  • 2.3.3. Problem izomorfizmu grafów i test Weisfeilera-Lehmana
• 2.4. Grafy heterogeniczne
  • 2.4.1. Podstawowe pojęcia
  • 2.4.2. Reprezentacja grafów heterogenicznych

Rozdział 3. Grafowe sieci neuronowe GNN - wprowadzenie

• 3.1. Zadania realizowane przez sieci GNN
• 3.2. Podstawowe zasady działania sieci GNN
• 3.3. Model przekazywania wiadomości - MPNN
• 3.4. Implementacja modelu MPNN w PyG
• 3.5. Modele MPNN jako część większej sieci

Rozdział 4. Przegląd wybranych warstw splotu grafowego

• 4.1. Splot GNN
  • 4.1.1. Formalizacja i działanie
  • 4.1.2. Implementacja
  • 4.1.3. Podsumowanie
• 4.2. Splot GCN
  • 4.2.1. Formalizacja i działanie
  • 4.2.2. Implementacja
  • 4.2.3. Podsumowanie
• 4.3. Splot SAGE
  • 4.3.1. Formalizacja i działanie
  • 4.3.2. Implementacja
  • 4.3.3. Podsumowanie
• 4.4. Splot GAT
  • 4.4.1. Formalizacja i działanie
  • 4.4.2. Implementacja
  • 4.4.3. Podsumowanie
• 4.5. Splot GIN
  • 4.5.1. Formalizacja i działanie
  • 4.5.2. Implementacja
  • 4.5.3. Podsumowanie
• 4.6. Warstwy splotu dla grafów heterogenicznych
• 4.7. Podsumowanie omówionych warstw splotu

Rozdział 5. Wybrane zagadnienia procesu szkolenia sieci grafowych

• 5.1. Podział danych grafowych na treningowe, walidacyjne i testowe
  • 5.1.1. Indukcja i transdukcja
  • 5.1.2. Podziały wierzchołków
  • 5.1.3. Podziały krawędzi
  • 5.1.4. Podziały grafów
• 5.2. Proces szkolenia na dużych zbiorach danych
  • 5.2.1. Próbkowanie w oparciu o sąsiedztwo
  • 5.2.2. Próbkowanie w oparciu o społeczności
  • 5.2.3. Podsumowanie procesu szkolenia
• 5.3. Trudności i wyzwania w uczeniu warstw splotu grafowego
  • 5.3.1. Problem nadmiernego wygładzania
  • 5.3.2. Ograniczenie testem Weisfeilera-Lehmana
• 5.4. Dodatkowe modyfikacje warstw splotu usprawniające proces predykcji
  • 5.4.1. Network in graph neural network
  • 5.4.2. Agregacje wielokrotne
  • 5.4.3. Mechanizm połączeń skokowych
  • 5.4.4. Porównanie wyników przy zastosowaniu rozszerzeń

Rozdział 6. Przykłady zastosowań grafowych sieci neuronowych

• 6.1. Klasyfikacja wierzchołków
  • 6.1.1. Postać formalna
  • 6.1.2. Znaczenie problemu i zastosowania
  • 6.1.3. Klasyfikacja tematyczna stron na Facebooku
• 6.2. Klasyfikacja krawędzi
  • 6.2.1. Postać formalna
  • 6.2.2. Znaczenie problemu i zastosowania
  • 6.2.3. Badanie oddziaływania pomiędzy lekami - klasyfikacja krawędzi
• 6.3. Klasyfikacja grafów
  • 6.3.1. Postać formalna
  • 6.3.2. Znaczenie problemu i zastosowania
  • 6.3.3. Badania toksyczności cząsteczek - klasyfikacja grafów
• 6.4. Systemy rekomendacyjne
  • 6.4.1. Postać formalna
  • 6.4.2. Znaczenie problemu i zastosowania
  • 6.4.3. Rekomendacje filmów MovieLens

Zakończenie

Bibliografia

Skorowidz