توضیحات
This book deals with network representation learning. It deals with embedding nodes, edges, subgraphs and graphs. There is a growing interest in understanding complex systems in different domains including health, education, agriculture and transportation. Such complex systems are analyzed by modeling, using networks that are aptly called complex networks. Networks are becoming ubiquitous as they can represent many real-world relational data, for instance, information networks, molecular structures, telecommunication networks and proteinprotein interaction networks. Analysis of these networks provides advantages in many fields such as recommendation (recommending friends in a social network), biological field (deducing connections between proteins for treating new diseases) and community detection (grouping users of a social network according to their interests) by leveraging the latent information of networks. An active and important area of current interest is to come out with algorithms that learn features by embedding nodes or (sub)graphs into a vector space. These tasks come under the broad umbrella of representation learning. A representation learning model learns a mapping function that transforms the graphs’ structure information to a low-/high-dimension vector space maintaining all the relevant properties.
————————————————————–
ترجمه ماشینی :
این کتاب به یادگیری بازنمایی شبکه می پردازد. با جاسازی گره ها، لبه ها، زیرگراف ها و نمودارها سروکار دارد. علاقه فزاینده ای به درک سیستم های پیچیده در حوزه های مختلف از جمله بهداشت، آموزش، کشاورزی و حمل و نقل وجود دارد. چنین سیستم های پیچیده ای با مدل سازی، با استفاده از شبکه هایی که به درستی شبکه های پیچیده نامیده می شوند، تجزیه و تحلیل می شوند. شبکه ها در حال تبدیل شدن به همه جا هستند زیرا می توانند بسیاری از داده های رابطه ای دنیای واقعی را نشان دهند، به عنوان مثال، شبکه های اطلاعاتی، ساختارهای مولکولی، شبکه های مخابراتی و شبکه های تعامل پروتئینی. تجزیه و تحلیل این شبکه ها در بسیاری از زمینه ها مانند توصیه (توصیه دوستان در یک شبکه اجتماعی)، زمینه بیولوژیکی (استنتاج ارتباط بین پروتئین ها برای درمان بیماری های جدید) و تشخیص جامعه (گروه بندی کاربران یک شبکه اجتماعی بر اساس علایق آنها) با استفاده از اهرم مزایایی را فراهم می کند. اطلاعات پنهان شبکه ها یک حوزه فعال و مهم مورد علاقه فعلی، ارائه الگوریتمهایی است که ویژگیها را با جاسازی گرهها یا (زیر) نمودارها در یک فضای برداری یاد میگیرند. این وظایف تحت چتر گسترده یادگیری بازنمایی قرار می گیرند. یک مدل یادگیری بازنمایی یک تابع نگاشت را می آموزد که اطلاعات ساختار نمودارها را به یک فضای برداری با ابعاد پایین/بالا تبدیل می کند که تمام خصوصیات مربوطه را حفظ می کند.
tag : دانلود کتاب یادگیری ماشینی در شبکه های اجتماعی: جاسازی گره ها، لبه ها، جوامع و نمودارها , Download یادگیری ماشینی در شبکه های اجتماعی: جاسازی گره ها، لبه ها، جوامع و نمودارها , دانلود یادگیری ماشینی در شبکه های اجتماعی: جاسازی گره ها، لبه ها، جوامع و نمودارها , Download Machine Learning in Social Networks: Embedding Nodes, Edges, Communities, and Graphs Book , یادگیری ماشینی در شبکه های اجتماعی: جاسازی گره ها، لبه ها، جوامع و نمودارها دانلود , buy یادگیری ماشینی در شبکه های اجتماعی: جاسازی گره ها، لبه ها، جوامع و نمودارها , خرید کتاب یادگیری ماشینی در شبکه های اجتماعی: جاسازی گره ها، لبه ها، جوامع و نمودارها , دانلود کتاب Machine Learning in Social Networks: Embedding Nodes, Edges, Communities, and Graphs , کتاب Machine Learning in Social Networks: Embedding Nodes, Edges, Communities, and Graphs , دانلود Machine Learning in Social Networks: Embedding Nodes, Edges, Communities, and Graphs , خرید Machine Learning in Social Networks: Embedding Nodes, Edges, Communities, and Graphs , خرید کتاب Machine Learning in Social Networks: Embedding Nodes, Edges, Communities, and Graphs ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.