从深度学习到图神经网络 模型与实践

"1.本书从深度学习到图神经网络，涉及的理论知识全面细致，内含数学基础、优化算法、卷积神经网络、表示学习、嵌入表示、空域图卷积神经网络、谱域图卷积神经网络等。 2.本书写作风格通俗易懂，可读性非常高，图文并茂、深入浅出。即使是没有基础的高校学生和AI初阶从业者，也能很容易地通过本书入门，降低了前沿知识的学习门槛。 3.本书内含数十个代码范例，所有代码片段均可获得，学习过程中可以同时上机实践，效率倍增。同时本书还附赠学习视频等资源，方便读者辅助学习。"

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，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。为增强可读性，本书叙述清晰、内容深入浅出、图文并茂，力求降低初学者的学习难度。
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。

"张玉宏，博士毕业于电子科技大学，大数据分析师（高级），2009—2011年美国西北大学访问学者，2019—2020年美国IUPUI高级访问学者，CCF郑州分部执行委员，CFF公益大使。现执教于河南工业大学，主要研究方向为人工智能、大数据等。发表学术论文30余篇，先后撰写《深度学习之美：AI时代的数据处理与很好实践》《Python极简讲义：一本书入门数据分析与机器学习》等科技图书15部。 杨铁军，博士，教授，博士生导师，河南省电子学会副理事长，河南省高等学校电子信息类专业教学指导委员会副主任委员，河南省数字政府建设专家委员会委员。主要研究方向：医学图像处理、粮食信息处理。"

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

……