| ISBN | 出版时间 | 包装 | 开本 | 页数 | 字数 |
|---|---|---|---|---|---|
| 未知 | 暂无 | 暂无 | 未知 | 0 | 暂无 |
《深度学习：从基础到实践（上、下册）》
上册
第 1章 机器学习与深度学习入门 1
1.1 为什么这一章出现在这里 1
1.2 从标记数据中学习 4
1.3 监督学习 10
1.4 无监督学习 12
1.5 生成器 16
1.6 强化学习 18
1.7 深度学习 19
1.8 接下来会讲什么 22
参考资料 22
第 2章 随机性与基础统计学 24
2.1 为什么这一章出现在这里 24
2.2 随机变量 24
2.3 一些常见的分布 29
2.4 独立性 35
2.5 抽样与放回 36
2.6 Bootstrapping算法 38
2.7 高维空间 41
2.8 协方差和相关性 43
2.9 Anscombe四重奏 47
参考资料 48
第3章 概率 50
3.1 为什么这一章出现在这里 50
3.2 飞镖游戏 50
3.3 初级概率学 52
3.4 条件概率 52
3.5 联合概率 55
3.6 边际概率 57
3.7 测量的正确性 58
3.8 混淆矩阵的应用 73
参考资料 77
第4章 贝叶斯定理 78
4.1 为什么这一章出现在这里 78
4.2 频率论者法则以及贝叶斯法则 78
4.3 抛硬币 80
4.4 这枚硬币公平吗 81
4.5 生活中的贝叶斯定理 89
4.6 重复贝叶斯定理 91
4.7 多个假设 97
参考资料 101
第5章 曲线和曲面 102
5.1 为什么这一章出现在这里 102
5.2 引言 102
5.3 导数 103
5.4 梯度 108
参考资料 112
第6章 信息论 113
6.1 为什么这一章出现在这里 113
6.2 意外程度与语境 113
6.3 用比特作为单位 115
6.4 衡量信息 116
6.5 事件的大小 117
6.6 自适应编码 117
6.7 熵 122
6.8 交叉熵 123
6.9 KL散度 127
参考资料 128
第7章 分类 130
7.1 为什么这一章出现在这里 130
7.2 二维分类 130
7.3 二维多分类 134
7.4 多维二元分类 135
7.5 聚类 138
7.6 维度灾难 141
参考资料 149
第8章 训练与测试 150
8.1 为什么这一章出现在这里 150
8.2 训练 150
8.3 测试数据 153
8.4 验证数据 156
8.5 交叉验证 157
8.6 对测试结果的利用 160
参考资料 161
第9章 过拟合与欠拟合 162
9.1 为什么这一章出现在这里 162
9.2 过拟合与欠拟合 162
9.3 过拟合数据 164
9.4 及早停止 167
9.5 正则化 168
9.6 偏差与方差 169
9.7 用贝叶斯法则进行线拟合 175
参考资料 179
第 10章 神经元 181
10.1 为什么这一章出现在这里 181
10.2 真实神经元 181
10.3 人工神经元 182
10.4 小结 188
参考资料 188
第 11章 学习与推理 190
11.1 为什么这一章出现在这里 190
11.2 学习的步骤 190
11.3 演绎和归纳 193
11.4 演绎 194
11.5 归纳 199
11.6 组合推理 203
11.7 操作条件 204
参考资料 206
第 12章 数据准备 208
12.1 为什么这一章出现在这里 208
12.2 数据变换 208
12.3 数据类型 210
12.4 数据清理基础 212
12.5 归一化和标准化 213
12.6 特征选择 217
12.7 降维 217
12.8 转换 226
12.9 切片处理 229
12.10 交叉验证转换 232
参考资料 234
第 13章 分类器 236
13.1 为什么这一章出现在这里 236
13.2 分类器的种类 236
13.3 k近邻法 237
13.4 支持向量机 241
13.5 决策树 247
13.6 朴素贝叶斯 255
13.7 讨论 259
参考资料 260
第 14章 集成算法 261
14.1 为什么这一章出现在这里 261
14.2 集成方法 261
14.3 投票 262
14.4 套袋算法 262
14.5 随机森林 264
14.6 极端随机树 265
14.7 增强算法 265
参考资料 270
第 15章 scikit-learn 272
第 16章 前馈网络 314
第 17章 激活函数 321
第 18章 反向传播 336
第 19章 优化器 383
下册
第 20章 深度学习 417
20.1 为什么这一章出现在这里 417
20.2 深度学习概述 417
20.3 输入层和输出层 419
20.4 深度学习层纵览 420
20.5 层和图形符号总结 428
20.6 一些例子 429
20.7 构建一个深度学习器 434
20.8 解释结果 435
参考资料 440
第 21章 卷积神经网络 441
第 22章 循环神经网络 488
第 23章 Keras第 1部分 520
第 24章 Keras第 2部分 577
第 25章 自编码器 665
第 26章 强化学习 704
第 27章 生成对抗网络 753
第 28章 创造性应用 775
第 29章 数据集 797
《图神经网络：基础、前沿与应用》
第 一部分 引言
第 1章 表征学习 2
1.1 导读 2
1.2 不同领域的表征学习 3
1.3 小结 9
第 2章 图表征学习 11
2.1 导读 11
2.2 传统图嵌入方法 12
2.3 现代图嵌入方法 13
2.4 图神经网络 16
2.5 小结 17
第3章 图神经网络 18
3.1 导读 18
3.2 图神经网络概述 19
3.3 小结 24
第二部分 基础
第4章 用于节点分类的图神经网络 28
4.1 背景和问题定义 28
4.2 有监督的图神经网络 29
4.3 无监督的图神经网络 37
4.4 过平滑问题 41
4.5 小结 42
第5章 图神经网络的表达能力 44
5.1 导读 44
5.2 图表征学习和问题的提出 47
5.3 强大的消息传递图神经网络 49
5.4 比1-WL测试更强大的图神经网络架构 54
5.5 小结 69
第6章 图神经网络的可扩展性 71
6.1 导读 71
6.2 引言 72
6.3 抽样范式 72
6.4 大规模图神经网络在推荐系统中的应用 82
6.5 未来的方向 84
第7章 图神经网络的可解释性 86
7.1 背景：深度模型的可解释性 86
7.2 图神经网络的解释方法 90
7.3 图神经网络的可解释模型 97
7.4 图神经网络解释的评估 101
7.5 未来的方向 103
第8章 图神经网络的对抗鲁棒性 105
8.1 动机 105
8.2 图神经网络的局限性：对抗性样本 107
8.3 可证明的鲁棒性：图神经网络的认证 113
8.4 提高图神经网络的鲁棒性 117
8.5 从鲁棒性的角度进行适当评估 122
8.6 小结 124
第三部分 前沿
第9章 图分类 128
9.1 导读 128
9.2 用于图分类的图神经网络：典型工作和现代架构 129
9.3 池化层：从节点级输出学习图级输出 133
9.4 图神经网络和高阶层在图分类中的局限性 135
9.5 图神经网络在图分类中的应用 137
9.6 基准数据集 137
9.7 小结 138
第 10章 链接预测 139
10.1 导读 139
10.2 传统的链接预测方法 140
10.3 基于GNN的链接预测方法 145
10.4 链接预测的理论 151
10.5 未来的方向 158
第 11章 图生成 160
11.1 导读 160
11.2 经典的图生成模型 160
11.3 深度图生成模型 163
11.4 小结 178
第 12章 图转换 179
12.1 图转换问题的形式化 179
12.2 节点级转换 180
12.3 边级转换 182
12.4 节点-边共转换 186
12.5 其他基于图的转换 193
12.6 小结 196
第 13章 图匹配 197
13.1 导读 197
13.2 图匹配学习 198
13.3 图相似性学习 205
13.4 小结 210
第 14章 图结构学习 211
14.1 导读 211
14.2 传统的图结构学习 212
14.3 图神经网络的图结构学习 215
14.4 未来的方向 226
14.5 小结 227
第 15章 动态图神经网络 228
第 16章 异质图神经网络 248
第 17章 自动机器学习 262
第 18章 自监督学习 275
第四部分 广泛和新兴的应用
第 19章 现代推荐系统中的图神经网络 298
第 20章 计算机视觉中的图神经网络 315
第 21章 自然语言处理中的图神经网络 327
第 22章 程序分析中的图神经网络 341
第 23章 软件挖掘中的图神经网络 352
第 24章 药物开发中基于图神经网络的生物医学知识图谱挖掘 366
第 25章 预测蛋白质功能和相互作用的图神经网络 383
第 26章 异常检测中的图神经网络 395
第 27章 智慧城市中的图神经网络 410
