ISBN: 9786267569078

出版日期: 2024-10-19

作者： 李金洪

裝訂： 平裝.單色印刷.576頁.23.

　　深度學習擅長處理結構規則的多維資料（歐氏空間），但現實生活中，很多不規則的資料如：社群、電子商務、交通領域，多是之間的關聯資料。彼此間以龐大的節點基礎與複雜的互動關係形成了特有的圖結構（或稱拓撲結構資料），這些資料稱為「非歐氏空間資料」，並不適合用深度學習的模型去分析。

　　圖神經網路（Graph Neural Networks, GNN）是為了處理結構不規則資料而產生的，主要利用圖結構的資料，透過機器學習的方法進行擬合、預測等。

　　〇 在結構化場景中，GNN 被廣泛應用在社群網站、推薦系統、物理系統、化學分子預測、知識圖譜等領域。
　　〇 在非結構化領域，GNN 可以用在圖型和文字等領域。
　　〇 在其他領域，還有圖生成模型和使用 GNN 來解決組合最佳化問題的場景。

　　市面上充滿 NN 的書，但卻沒有一本完整說明 GNN，倘若不快點學這個新一代的神經網路，你會用的普通神經網路馬上就會落伍了！非歐氏空間才是最貼近人類生活的世界，而要真正掌握非歐氏空間的問題解決，GNN 是你一定要學的技術，就由本書一步步帶領你完全攻略！

　　〇 使用 Graph 概念取代傳統的歐氏空間神經元
　　〇 最好用的 PyTorch + Anaconda + Jupyter
　　〇 從基礎的 CNN、RNN、GAN 開始上手神經網路
　　〇 了解基礎的啟動函數、損失函數、L1/L2、交叉熵、Softmax 等概念
　　〇 NLP 使用神經網路處理 + 多頭注意力機制
　　〇 Few-shot/Zero-shot 的神經網路設計
　　〇 空間域的使用，使用 DGL、Networkx
　　〇 利用 GNN 進行論文分類

本書特色

　　～GNN 最強入門參考書～
　　● 以初學者角度從零開始講解，消除讀者學習過程跳躍感
　　● 理論和程式結合，便於讀者學以致用
　　● 知識系統，逐層遞進
　　● 內容貼近技術趨勢
　　● 圖文結合，化繁為簡
　　● 在基礎原理之上，注重通用規律

作者簡介
李金洪

作者簡介



李金洪

　　精通 C、Python、Java 語言，擅長神經網路、演算、協定分析、移動互聯網安全架構等技術，先後擔任過 CAD 演算工程師、架構師、專案經理、部門經理等職位。參與過深度學習領域某移動互聯網後臺的 OCR 項目，某娛樂節目機器人的語音辨識、聲紋識別專案，金融領域的若干分類專案。