Apresentação Detalhada do Livro de Aprendizagem de Representação de Grafos

Visão Geral

Este é um livro didático abrangente sobre aprendizagem de representação de grafos, escrito pelo Professor William L. Hamilton da Universidade McGill. O livro visa fornecer uma introdução concisa, mas completa, à aprendizagem de representação de grafos, cobrindo métodos de incorporação de dados de grafos, redes neurais de grafos e modelos generativos profundos de grafos.

Contexto

O campo da aprendizagem de representação de grafos tem crescido a uma velocidade surpreendente nos últimos sete anos, transformando-se de um subconjunto de pesquisa relativamente nichado em uma das subáreas de crescimento mais rápido na aprendizagem profunda. Este livro é uma tentativa do autor de fornecer uma introdução autoritária a este campo em rápida evolução.

Formas de Acesso

• Versão Gratuita: É possível baixar o arquivo PDF da versão pré-publicação.
• Versão Oficial: Pode ser adquirida como e-book ou edição impressa através da editora Morgan & Claypool.
• Acesso por Capítulos: É possível acessar individualmente as versões pré-publicação de cada capítulo.

Estrutura do Conteúdo

Parte Fundamental

• Capítulo 1: Introdução e Motivações

  • Introdução e Motivações
  • Última atualização: Setembro de 2020

• Capítulo 2: Antecedentes e Abordagens Tradicionais

  • Antecedentes e Métodos Tradicionais
  • Última atualização: Setembro de 2020

Parte I: Incorporações de Nós (Node Embeddings)

• Capítulo 3: Métodos de Reconstrução de Vizinhança

  • Métodos de Reconstrução de Vizinhança
  • Última atualização: Setembro de 2020

• Capítulo 4: Dados Multi-Relacionais e Grafos de Conhecimento

  • Dados Multi-Relacionais e Grafos de Conhecimento
  • Última atualização: Setembro de 2020

Parte II: Redes Neurais de Grafos (Graph Neural Networks)

• Capítulo 5: O Modelo de Rede Neural de Grafos

  • O Modelo de Rede Neural de Grafos
  • Última atualização: Setembro de 2020

• Capítulo 6: Redes Neurais de Grafos na Prática

  • Redes Neurais de Grafos na Prática
  • Última atualização: Setembro de 2020

• Capítulo 7: Motivações Teóricas

  • Motivações Teóricas
  • Última atualização: Setembro de 2020

Parte III: Modelos Generativos de Grafos (Generative Graph Models)

• Capítulo 8: Abordagens Tradicionais de Geração de Grafos

  • Abordagens Tradicionais de Geração de Grafos
  • Última atualização: Setembro de 2020

• Capítulo 9: Modelos Generativos Profundos

  • Modelos Generativos Profundos
  • Última atualização: Setembro de 2020

Apêndice

• Bibliografia
  • Referências Bibliográficas
  • Última atualização: Setembro de 2020

Informações Acadêmicas

• Autor: William L. Hamilton
• Editora: Morgan & Claypool Publishers
• Série: Synthesis Lectures on Artificial Intelligence and Machine Learning
• Volume: 14
• Número: 3
• Páginas: 1-159

Informações de Direitos Autorais

A versão pré-publicação deste livro está disponível para acesso público com a generosa permissão da editora, mas não inclui a formatação ou revisão da editora. Todos os direitos autorais são detidos pelo autor e pela editora.

Canal de Feedback

Feedback, correções de erros e comentários são bem-vindos. Por favor, envie para wlh@cs.mcgill.ca, com o assunto do e-mail marcado como [GRL BOOK].

Valor de Aprendizagem

Este livro oferece um recurso de aprendizagem valioso para as seguintes pessoas:

• Pesquisadores de Aprendizagem Profunda
• Iniciantes em Redes Neurais de Grafos
• Profissionais de Análise de Dados de Grafos
• Engenheiros de Aprendizagem de Máquina
• Estudantes de Mestrado e Doutorado

Áreas Técnicas Centrais

• Técnicas de Incorporação de Grafos
• Arquiteturas de Redes Neurais de Grafos
• Processamento de Grafos de Conhecimento
• Modelos Generativos de Grafos
• Aplicações de Aprendizagem Profunda em Dados de Grafos