{"product_id":"graph-representation-learning-9783031004605","title":"Aprendizaje de Representaciones Gráficas","description":"\u003cp\u003eLos datos con estructura de grafo son ubicuos en las ciencias naturales y sociales, desde las redes de telecomunicaciones hasta la química cuántica. La incorporación de sesgos inductivos relacionales en las arquitecturas de aprendizaje profundo es crucial para crear sistemas que puedan aprender, razonar y generalizar a partir de este tipo de datos. Los últimos años han visto un aumento en la investigación sobre el aprendizaje de representación de grafos, incluyendo técnicas para incrustaciones de grafos profundos, generalizaciones de redes neuronales convolucionales a datos con estructura de grafo y enfoques de paso de mensajes neuronales inspirados en la propagación de creencias. Estos avances en el aprendizaje de representación de grafos han llevado a nuevos resultados de vanguardia en numerosos dominios, incluyendo la síntesis química, la visión 3D, los sistemas de recomendación, la respuesta a preguntas y el análisis de redes sociales.\u003c\/p\u003e \u003cp\u003eEste libro proporciona una síntesis y una visión general del aprendizaje de representación de grafos. Comienza con una discusión de los objetivos del aprendizaje de representación de grafos, así como de los fundamentos metodológicos clave en la teoría de grafos y el análisis de redes. A continuación, el libro presenta y revisa métodos para aprender incrustaciones de nodos, incluidos los métodos basados en caminos aleatorios y las aplicaciones a los grafos de conocimiento. Luego, proporciona una síntesis técnica y una introducción al exitoso formalismo de las redes neuronales de grafos (GNN), que se ha convertido en un paradigma dominante y de rápido crecimiento para el aprendizaje profundo con datos de grafos. El libro concluye con una síntesis de los avances recientes en modelos generativos profundos para grafos, un subconjunto incipiente pero de rápido crecimiento del aprendizaje de representación de grafos.\u003c\/p\u003e \u003cp\u003e\u003c\/p\u003e\u003cbr\u003e\u003cbr\u003e\u003cb\u003eAutor:\u003c\/b\u003e \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=AUTH-3373255\"\u003eWilliam L. Hamilton\u003c\/a\u003e\u003cbr\u003e\u003cb\u003eEditorial:\u003c\/b\u003e Springer\u003cbr\u003e\u003cb\u003ePublicado:\u003c\/b\u003e 16\/09\/2020\u003cbr\u003e\u003cb\u003ePáginas:\u003c\/b\u003e 141\u003cbr\u003e\u003cb\u003eTipo de encuadernación:\u003c\/b\u003e Tapa blanda\u003cbr\u003e\u003cb\u003ePeso:\u003c\/b\u003e 0.63 libras\u003cbr\u003e\u003cb\u003eTamaño:\u003c\/b\u003e 9.25 alto x 7.50 ancho x 0.34 profundidad\u003cbr\u003e\u003cb\u003eISBN13:\u003c\/b\u003e 9783031004605\u003cbr\u003e\u003cb\u003eISBN10:\u003c\/b\u003e 3031004604\u003cbr\u003e\u003cb\u003eCategorías BISAC:\u003c\/b\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-COM\"\u003eInformática\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-COM004000\"\u003eInteligencia Artificial | General\u003c\/a\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-MAT\"\u003eMatemáticas\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-MAT003000\"\u003eAplicadas\u003c\/a\u003e\u003cbr\u003e\u003cbr\u003e\u003cp\u003e\u003cb\u003eSobre el autor\u003c\/b\u003e\u003cbr\u003eWilliam L. Hamilton es Profesor Asistente de Ciencias de la Computación en la Universidad McGill y Cátedra CIFAR de Canadá en IA. Su investigación se centra en el aprendizaje de representación de grafos, así como en aplicaciones en ciencias sociales computacionales y biología. En los últimos años, ha publicado más de 20 artículos sobre aprendizaje de representación de grafos en lugares de primer nivel en aprendizaje automático y ciencia de redes, además de coorganizar varios talleres y tutoriales importantes sobre el tema. El trabajo de Williams ha sido reconocido con varios premios, incluido el Premio de Tesis Arthur L. Samuel 2018 a la mejor tesis doctoral en el departamento de Ciencias de la Computación de la Universidad de Stanford y el Premio Cozzarelli al Mejor Artículo 2017 de las Actas de la Academia Nacional de Ciencias.\u003c\/p\u003e\u003cp\u003e\u003ci\u003eEste título no es retornable\u003c\/i\u003e\u003cbr\u003e\u003c\/p\u003e","brand":"Springer","offers":[{"title":"Default Title","offer_id":44537843482861,"sku":"9783031004605","price":89.98,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0550\/8097\/6621\/products\/img_87a95a35-bff7-4bb7-8898-776b210ea940.jpg?v=1701447510","url":"https:\/\/sureshotbooks.com\/es\/products\/graph-representation-learning-9783031004605","provider":"SureShot Books Publishing LLC","version":"1.0","type":"link"}