그래프 신경망 입문
$24.15
SKU
9791161756400
[Free shipping over $100]
Standard Shipping estimated by Fri 12/6 - Thu 12/12 (주문일로부 10-14 영업일)
Express Shipping estimated by Tue 12/3 - Thu 12/5 (주문일로부 7-9 영업일)
* 안내되는 배송 완료 예상일은 유통사/배송사의 상황에 따라 예고 없이 변동될 수 있습니다.
| Publication Date | 2022/04/29 |
| Pages/Weight/Size | 188*235*11mm |
| ISBN | 9791161756400 |
| Categories | IT 모바일 > 컴퓨터 공학 |
Description
그래프 신경망은 최근 딥러닝의 어떤 분야보다도 빠르게 성장하고 있으며 많은 기업에서 이미 서비스에 적용했다. 이 책은 국내에서 그래프 신경망을 전문적으로 소개하는 첫 책이다. 20개 이상의 관련 모델들을 소개하고, 어떤 분야에 응용되고 있는지 알려준다. 그래프 신경망이 좋다는 걸 어디선가 듣고 자신의 연구나 업무 등에 적용해보고 싶었던 사람들에게 적합한 책이다. 이 책이 각자의 분야와 그래프 신경망이 시너지를 내는 데 도움이 되길 바란다.
Contents
1장. 서론
1.1 동기
1.1.1 합성곱 신경망
1.1.2 네트워크 임베딩
1.2 관련 연구
2장. 수학 및 그래프 기초
2.1 선형대수학
2.1.1 기본 개념
2.1.2 고유분해
2.1.3 특잇값 분해
2.2 확률
2.2.1 기본 개념과 공식
2.2.2 확률분포
2.3 그래프 이론
2.3.1 기본 개념
2.3.2 그래프의 대수적 표현
3장. 신경망 기초
3.1 뉴런
3.2 역전파
3.3 신경망
4장. 기본 그래프 신경망
4.1 서론
4.2 모델
4.3 한계
5장. 그래프 합성곱 네트워크
5.1 스펙트럼 방법
5.1.1 스펙트럼 네트워크
5.1.2 ChebNet
5.1.3 GCN
5.1.4 AGCN
5.2 공간 방법
5.2.1 뉴럴 FPS
5.2.2 PATCHY-SAN
5.2.3 DCNN
5.2.4 DGCN
5.2.5 LGCN
5.2.6 MoNet
5.2.7 GraphSAGE
6장. 그래프 순환 네트워크
6.1 게이트 그래프 신경망
6.2 Tree-LSTM
6.3 그래프 LSTM
6.4 S-LSTM
7장. 그래프 어텐션 네트워크
7.1 GAT
7.2 GaAN
8장. 그래프 잔차 네트워크
8.1 하이웨이 GCN
8.2 지식 점프 네트워크
8.3 DeepGCNs
9장. 다양한 그래프 종류
9.1 유향 그래프
9.2 이종 그래프
9.3 에지 정보가 있는 그래프
9.4 동적 그래프
9.5 다차원 그래프
10장. 고급 학습 방법
10.1 샘플링
10.2 계층적 풀링
10.3 데이터 증강
10.4 비지도 학습
11장. 일반적인 프레임워크
11.1 메시지 전달 신경망
11.2 비지역 신경망
11.3 그래프 네트워크
12장. 응용: 구조 시나리오
12.1 물리
12.2 화학과 생물
12.2.1 분자 핑거프린트
12.2.2 화학 반응 예측
12.2.3 약물 추천
12.2.4 단백질과 분자 상호작용 예측
12.3 지식 그래프
12.3.1 지식 그래프 채우기
12.3.2 귀납 지식 그래프 임베딩
12.3.3 지식 그래프 정렬
12.4 추천 시스템
12.4.1 행렬 채우기
12.4.2 소셜 추천
13장. 응용: 비구조 시나리오
13.1 이미지
13.1.1 이미지 분류
13.1.2 시각적 추론
13.1.3 의미 구분
13.2 문자
13.2.1 문자 분류
13.2.2 시퀀스 레이블링
13.2.3 신경 기계 번역
13.2.4 관계 추출
13.2.5 사건 추출
13.2.6 사실 확인
13.2.7 그 밖의 응용
14장. 응용: 기타 시나리오
14.1 생성 모델
14.2 조합적 최적화
15장. 오픈소스
15.1 데이터셋
15.2 구현
16장. 결론
1.1 동기
1.1.1 합성곱 신경망
1.1.2 네트워크 임베딩
1.2 관련 연구
2장. 수학 및 그래프 기초
2.1 선형대수학
2.1.1 기본 개념
2.1.2 고유분해
2.1.3 특잇값 분해
2.2 확률
2.2.1 기본 개념과 공식
2.2.2 확률분포
2.3 그래프 이론
2.3.1 기본 개념
2.3.2 그래프의 대수적 표현
3장. 신경망 기초
3.1 뉴런
3.2 역전파
3.3 신경망
4장. 기본 그래프 신경망
4.1 서론
4.2 모델
4.3 한계
5장. 그래프 합성곱 네트워크
5.1 스펙트럼 방법
5.1.1 스펙트럼 네트워크
5.1.2 ChebNet
5.1.3 GCN
5.1.4 AGCN
5.2 공간 방법
5.2.1 뉴럴 FPS
5.2.2 PATCHY-SAN
5.2.3 DCNN
5.2.4 DGCN
5.2.5 LGCN
5.2.6 MoNet
5.2.7 GraphSAGE
6장. 그래프 순환 네트워크
6.1 게이트 그래프 신경망
6.2 Tree-LSTM
6.3 그래프 LSTM
6.4 S-LSTM
7장. 그래프 어텐션 네트워크
7.1 GAT
7.2 GaAN
8장. 그래프 잔차 네트워크
8.1 하이웨이 GCN
8.2 지식 점프 네트워크
8.3 DeepGCNs
9장. 다양한 그래프 종류
9.1 유향 그래프
9.2 이종 그래프
9.3 에지 정보가 있는 그래프
9.4 동적 그래프
9.5 다차원 그래프
10장. 고급 학습 방법
10.1 샘플링
10.2 계층적 풀링
10.3 데이터 증강
10.4 비지도 학습
11장. 일반적인 프레임워크
11.1 메시지 전달 신경망
11.2 비지역 신경망
11.3 그래프 네트워크
12장. 응용: 구조 시나리오
12.1 물리
12.2 화학과 생물
12.2.1 분자 핑거프린트
12.2.2 화학 반응 예측
12.2.3 약물 추천
12.2.4 단백질과 분자 상호작용 예측
12.3 지식 그래프
12.3.1 지식 그래프 채우기
12.3.2 귀납 지식 그래프 임베딩
12.3.3 지식 그래프 정렬
12.4 추천 시스템
12.4.1 행렬 채우기
12.4.2 소셜 추천
13장. 응용: 비구조 시나리오
13.1 이미지
13.1.1 이미지 분류
13.1.2 시각적 추론
13.1.3 의미 구분
13.2 문자
13.2.1 문자 분류
13.2.2 시퀀스 레이블링
13.2.3 신경 기계 번역
13.2.4 관계 추출
13.2.5 사건 추출
13.2.6 사실 확인
13.2.7 그 밖의 응용
14장. 응용: 기타 시나리오
14.1 생성 모델
14.2 조합적 최적화
15장. 오픈소스
15.1 데이터셋
15.2 구현
16장. 결론