[套装书]机器学习算法的数学解析与Python实现+深入浅出图神经网络：GNN原理解析（2册）

作者
莫凡刘忠雨 李彦霖 周洋
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9782001101454
简要
简介
内容简介书籍计算机书籍 ---------------------------机器学习算法的数学解析与Python实现--------------------------- 本书由资深工程师撰写，系统介绍机器学习中需要的主要数学知识，以及机器学习算法的实现和应用场景，为机器学习初学者制定了如何夯实基础的方案。本书以机器学习的算法为主线，深入剖析算法的概念和数学原理，以通俗形象的语言进行介绍，让读者无需了解太多前置数学知识，就能看懂数学公式的表达意思，从而深度掌握机器学习的思想和原理。主要内容包括：首先介绍机器学习基本概念及工具，然后从概念、原理、Python实现、应用场景几个方面，详细剖析机器学习中最主要的算法，如线性回归算法、逻辑回归算法、KNN、朴素贝叶斯、决策分类、支持向量机分类、K-means聚类、神经网络分类、集成学习等。 ---------------------------深入浅出图神经网络：GNN原理解析--------------------------- 内容简介 这是一本从原理、算法、实现、应用4个维度详细讲解图神经网络的著作，在图神经网络领域具有重大的意义。 本书作者是图神经网络领域的资深技术专家，作者所在的公司极验也是该领域的领先者。本书是作者和极验多年研究和实践经验的总结，内容系统、扎实、深入浅出，得到了白翔、俞栋等几位来自学术界和企业界的领军人物的高度评价和强烈推荐。 全书共10章： 第1～4章全面介绍了图、图数据、卷积神经网络以及表示学习等基础知识，是阅读本书的预备知识； 第5～6章从理论的角度出发，讲解了图信号处理和图卷积神经网络，深入剖析了图卷积神经网络的性质，并提供了GCN实现节点分类的实例。 第7～9章全面的讲解了图神经网络的各种变体及范式、图分类机制及其实践，以及基于GNN的图表示学习； 第10章介绍了图神经网络的最新研究和应用。 .
目录



---------------------------机器学习算法的数学解析与Python实现---------------------------


前言
第1章　机器学习概述 1
1.1　什么是机器学习 1
1.2　机器学习的几个需求层次 3
1.3　机器学习的基本原理 5
1.4　机器学习的基本概念 7
1.4.1　书中用到的术语介绍 7
1.4.2　机器学习的基本模式 11
1.4.3　优化方法 12
1.5　机器学习问题分类 14
1.6　常用的机器学习算法 15
1.7　机器学习算法的性能衡量指标 16
1.8　数据对算法结果的影响 18
第2章　机器学习所需的环境 20
2.1　常用环境 20
2.2　Python简介 21
2.2.1　Python的安装 23
2.2.2　Python的基本用法 24
2.3　Numpy简介 25
2.3.1　Numpy的安装 26
2.3.2　Numpy的基本用法 26
2.4　Scikit-Learn简介 27
2.4.1　Scikit-Learn的安装 28
2.4.2　Scikit-Learn的基本用法 28
2.5　Pandas简介 29
2.5.1　Pandas的安装 30
2.5.2　Pandas的基本用法 31
第3章　线性回归算法 33
3.1　线性回归：“钢铁直男”解决回归问题的正确方法 33
3.1.1　用于预测未来的回归问题 35
3.1.2　怎样预测未来 38
3.1.3　线性方程的“直男”本性 40
3.1.4　最简单的回归问题—线性回归问题 44
3.2　线性回归的算法原理 46
3.2.1　线性回归算法的基本思路 46
3.2.2　线性回归算法的数学解析 48
3.2.3　线性回归算法的具体步骤 53
3.3　在Python中使用线性回归算法 54
3.4　线性回归算法的使用场景 60
第4章　Logistic回归分类算法 61
4.1　Logistic回归：换上“S型曲线马甲”的线性回归 61
4.1.1　分类问题：选择困难症患者的自我救赎 63
4.1.2　Logistic函数介绍 66
4.1.3　此回归非彼回归：“LR”辨析 70
4.2　Logistic回归的算法原理 71
4.2.1　Logistic回归算法的基本思路 71
4.2.2　Logistic回归算法的数学解析 74
4.2.3　Logistic回归算法的具体步骤 78
4.3　在Python中使用Logistic回归算法 78
4.4　Logistic回归算法的使用场景 81
第5章　KNN分类算法 82
5.1　KNN分类算法：用多数表决进行分类 82
5.1.1　用“同类相吸”的办法解决分类问题 84
5.1.2　KNN分类算法的基本方法：多数表决 86
5.1.3　表决权问题 89
5.1.4　KNN的具体含义 89
5.2　KNN分类的算法原理 90
5.2.1　KNN分类算法的基本思路 90
5.2.2　KNN分类算法的数学解析 93
5.2.3　KNN分类算法的具体步骤 94
5.3　在Python中使用KNN分类算法 95
5.4　KNN分类算法的使用场景 96
第6章　朴素贝叶斯分类算法 98
6.1　朴素贝叶斯：用骰子选择 98
6.1.1　从统计角度看分类问题 99
6.1.2　贝叶斯公式的基本思想 102
6.1.3　用贝叶斯公式进行选择 104
6.2　朴素贝叶斯分类的算法原理 106
6.2.1　朴素贝叶斯分类算法的基本思路 106
6.2.2　朴素贝叶斯分类算法的数学解析 108
6.2.3　朴素贝叶斯分类算法的具体步骤 111
6.3　在Python中使用朴素贝叶斯分类算法 111
6.4　朴素贝叶斯分类算法的使用场景 112
第7章　决策树分类算法 114
7.1　决策树分类：用“老朋友”if-else进行选择 114
7.1.1　程序员的选择观：if-else 116
7.1.2　如何种植一棵有灵魂的“树” 118
7.1.3　决策条件的选择艺术 119
7.1.4　决策树的剪枝问题 122
7.2　决策树分类的算法原理 125
7.2.1　决策树分类算法的基本思路 125
7.2.2　决策树分类算法的数学解析 127
7.2.3　决策树分类算法的具体步骤 133
7.3　在Python中使用决策树分类算法 134
7.4　决策树分类算法的使用场景 135
第8章　支持向量机分类算法 137
8.1　支持向量机：线性分类器的“王者” 137
8.1.1　距离是不同类别的天然间隔 139
8.1.2　何为“支持向量” 140
8.1.3　从更高维度看“线性不可分” 142
8.2　支持向量机分类的算法原理 146
8.2.1　支持向量机分类算法的基本思路 146
8.2.2　支持向量机分类算法的数学解析 150
8.2.3　支持向量机分类算法的具体步骤 153
8.3　在Python中使用支持向量机分类算法 154
8.4　支持向量机分类算法的使用场景 156
第9章　K-means聚类算法 157
9.1　用投票表决实现“物以类聚” 157
9.1.1　聚类问题就是“物以类聚”的实施问题 159
9.1.2　用“K”来决定归属类别 162
9.1.3　度量“相似”的距离 164
9.1.4　聚类问题中的多数表决 165
9.2　K-means聚类的算法原理 168
9.2.1　K-means聚类算法的基本思路 168
9.2.2　K-means聚类算法的数学解析 169
9.2.3　K-means聚类算法的具体步骤 170
9.3　在Python中使用K-means聚类算法 171
9.4　K-means聚类算法的使用场景 172
第10章　神经网络分类算法 174
10.1　用神经网络解决分类问题 174
10.1.1　神经元的“内心世界” 177
10.1.2　从神经元看分类问题 180
10.1.3　神经网络的“细胞”：人工神经元 181
10.1.4　构成网络的魔力 184
10.1.5　神经网络与深度学习 188
10.2　神经网络分类的算法原理 188
10.2.1　神经网络分类算法的基本思路 188
10.2.2　神经网络分类算法的数学解析 190
10.2.3　神经网络分类算法的具体步骤 193
10.3　在Python中使用神经网络分类算法 194
10.4　神经网络分类算法的使用场景 195
第11章　集成学习方法 197
11.1　集成学习方法：三个臭皮匠赛过诸葛亮 197
11.1.1　集成学习方法与经典机器学习算法的关系 198
11.1.2　集成学习的主要思想 199
11.1.3　几种集成结构 200
11.2　集成学习方法的具体实现方式 202
11.2.1　Bagging算法 202
11.2.2　Boosting算法 202
11.2.3　Stacking算法 202
11.3　在Python中使用集成学习方法 203
11.4　集成学习方法的使用场景 205



---------------------------深入浅出图神经网络：GNN原理解析---------------------------


前言
第1章　图的概述 1
1.1　图的基本定义 1
1.1.1　图的基本类型 2
1.1.2　邻居和度 4
1.1.3　子图与路径 4
1.2　图的存储与遍历 5
1.2.1　邻接矩阵与关联矩阵 5
1.2.2　图的遍历 6
1.3　图数据的应用场景 7
1.4　图数据深度学习 10
1.5　参考文献 13
第2章　神经网络基础 17
2.1　机器学习基本概念 17
2.1.1　机器学习分类 17
2.1.2　机器学习流程概述 18
2.1.3　常见的损失函数 21
2.1.4　梯度下降算法 23
2.2　神经网络 25
2.2.1　神经元 25
2.2.2　多层感知器 27
2.3　激活函数 29
2.3.1　S型激活函数 30
2.3.2　ReLU及其变种 30
2.4　训练神经网络 33
2.4.1　神经网络的运行过程 34
2.4.2　反向传播 34
2.4.3　优化困境 36
2.5　参考文献 38
第3章　卷积神经网络 39
3.1　卷积与池化 39
3.1.1　信号处理中的卷积 39
3.1.2　深度学习中的卷积操作 42
3.1.3　池化 46
3.2　卷积神经网络 46
3.2.1　卷积神经网络的结构 47
3.2.2　卷积神经网络的特点 49
3.3　特殊的卷积形式 51
3.3.1　1×1卷积 51
3.3.2　转置卷积 52
3.3.3　空洞卷积 54
3.3.4　分组卷积 55
3.3.5　深度可分离卷积 55
3.4　卷积网络在图像分类中的应用 56
3.4.1　VGG 56
3.4.2　Inception系列 57
3.4.3　ResNet 60
3.5　参考文献 62
第4章　表示学习 65
4.1　表示学习 65
4.1.1　表示学习的意义 65
4.1.2　离散表示与分布式表示 66
4.1.3　端到端学习是一种强大的表示学习方法 68
4.2　基于重构损失的方法—自编码器 69
4.2.1　自编码器 69
4.2.2　正则自编码器 71
4.2.3　变分自编码器 72
4.3　基于对比损失的方法—Word2vec 75
4.4　参考文献 79
第5章　图信号处理与图卷积神经网络 81
5.1　矩阵乘法的三种方式 81
5.2　图信号与图的拉普拉斯矩阵 83
5.3　图傅里叶变换 85
5.4　图滤波器 90
5.4.1　空域角度 93
5.4.2　频域角度 94
5.5　图卷积神经网络 96
5.6　GCN实战 101
5.7　参考文献 109
第6章　GCN的性质 111
6.1　GCN与CNN的联系 111
6.2　GCN能够对图数据进行端对端学习 115
6.3　GCN是一个低通滤波器 120
6.4　GCN的问题—过平滑 122
6.5　参考文献 127
第7章　GNN的变体与框架 129
7.1　GraphSAGE 129
7.1.1　采样邻居 130
7.1.2　聚合邻居 131
7.1.3　GraphSAGE算法过程 132
7.2　GAT 134
7.2.1　注意力机制 134
7.2.2　图注意力层 137
7.2.3　多头图注意力层 138
7.3　R-GCN 140
7.3.1　知识图谱 140
7.3.2　R-GCN 141
7.4　GNN的通用框架 143
7.4.1　MPNN 143
7.4.2　NLNN 146
7.4.3　GN 147
7.5　GraphSAGE实战 148
7.6　参考文献 153
第8章　图分类 155
8.1　基于全局池化的图分类 155
8.2　基于层次化池化的图分类 156
8.2.1　基于图坍缩的池化机制 157
8.2.2　基于TopK的池化机制 165
8.2.3　基于边收缩的池化机制 168
8.3　图分类实战 169
8.4　参考文献 177
第9章　基于GNN的图表示学习 179
9.1　图表示学习 180
9.2　基于GNN的图表示学习 182
9.2.1　基于重构损失的GNN 183
9.2.2　基于对比损失的GNN 184
9.3　基于图自编码器的推荐系统 188
9.4　参考文献 195
第10章　GNN的应用简介 197
10.1　GNN的应用简述 197
10.2　GNN的应用案例 199
10.2.1　3D视觉 199
10.2.2　基于社交网络的推荐系统 203
10.2.3　视觉推理 205
10.3　GNN的未来展望 208
10.4　参考文献 209
附录A　符号声明 211



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4