Name: Introduction to Graph Neural Networks
SKU: 126221957
Price: 68480 KRW
Availability: InStock
Author: Zhiyuan Liu
ISBN: 9783031027154

카트

이미지 검색을 사용해 보세요

검색창 이전화면 이전화면

최근 검색어: 전체삭제

인기 검색어

닫기

사이즈비교 공유하기

소득공제 수입

직수입양서 Introduction to Graph Neural Networks

Perfect,eng, POD 주문제작도서

바인딩/에디션 안내

Zhiyuan Liu

Springer Nature B.V. 2020.03.20.

회원리뷰 첫번째 리뷰어가 되어주세요

직수입외서는 변심/착오로 인해 주문을 취소할 경우 해외주문 취소수수료 20%가 부과됩니다.?

가격: 68,480원

68,480

YES포인트?: 2,060원 (3%) 마니아추가적립

5만원 이상 구매 시 2천원 추가 적립

앱 다운 시 1천원 상품권

결제혜택: 최대 2,000원 즉시할인

주문 제작 (POD) 도서로 제본 및 인쇄 품질이 다소 미흡할 수 있습니다 (해당 사유 반품 불가)

이미 소장하고 있다면 판매해 보세요.

예스24에 팔기 바이백 신청 불가 내 가게에서 팔기

국내배송만 가능
해외 거래처 사정에 의하여 품절/지연 가능
도서 정보 중 미표기 사항 안내?
문화비소득공제 가능

시리즈 태그 업체 공지사항 중고직수입양서 소개 구성 소개 특별 구성 MD 한마디 카드뉴스 상세 이미지 책소개 관련 동영상 목차 저자 소개 관련분류 품목정보 만든이 코멘트 예스24 리뷰 책 속으로 줄거리 캐스팅 관련 자료 부가 영상 출판사 리뷰 전문가 리뷰 추천평

펼치기/닫기

책소개

<p>Graphs are useful data structures in complex real-life applications such as modeling physical systems, learning molecular fingerprints, controlling traffic networks, and recommending friends in social networks. However, these tasks require dealing with non-Euclidean graph data that contains rich relational information between elements and cannot be well handled by traditional deep learning models (e.g., convolutional neural networks (CNNs) or recurrent neural networks (RNNs)). Nodes in graphs usually contain useful feature information that cannot be well addressed in most unsupervised representation learning methods (e.g., network embedding methods). Graph neural networks (GNNs) are proposed to combine the feature information and the graph structure to learn better representations on graphs via feature propagation and aggregation. Due to its convincing performance and high interpretability, GNN has recently become a widely applied graph analysis tool.</p>
This book provides a comprehensive introduction to the basic concepts, models, and applications of graph neural networks. It starts with the introduction of the vanilla GNN model. Then several variants of the vanilla model are introduced such as graph convolutional networks, graph recurrent networks, graph attention networks, graph residual networks, and several general frameworks. Variants for different graph types and advanced training methods are also included. As for the applications of GNNs, the book categorizes them into structural, non-structural, and other scenarios, and then it introduces several typical models on solving these tasks. Finally, the closing chapters provide GNN open resources and the outlook of several future directions.<p></p>

책소개 더보기펼치기