原文：
www.kdnuggets.com/2021/01/graph-representation-learning-book-free-ebook.html
评论
近年来，图分析和图在机器学习中的应用迅速增长。如果您需要一个入门点来了解这个领域，我们正好有您需要的免费电子书：图表示学习。
1. 谷歌网络安全证书 - 快速进入网络安全职业轨道。
2. 谷歌数据分析专业证书 - 提升您的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持您组织的 IT 部门
由麦吉尔大学的威廉·L·汉密尔顿编写，本书目前处于预出版草稿阶段。您可以从网站下载单本书籍的 PDF或单独章节的 PDF。
从非常高的层面来看，本书旨在完成以下目标：
本书旨在简要而全面地介绍图表示学习，包括图数据嵌入方法、图神经网络以及图的深度生成模型。
但为什么选择图？
然而，图不仅仅提供了一个优雅的理论框架。它们提供了一个数学基础，我们可以在此基础上分析、理解和学习现实世界的复杂系统。在过去的二十五年里，研究人员可用的图结构数据的数量和质量大幅增加。随着大规模社交网络平台的出现、大规模科学计划对交互组的建模、食物网、分子图结构数据库以及数十亿个互联的网络设备，研究人员可以分析的有意义的图数据源源不断。挑战在于解锁这些数据的潜力。
图与机器学习有何关系，这些内容如何适用于本书？
本书讨论了我们如何利用机器学习来应对这一挑战。当然，机器学习并不是分析图数据的唯一方法。然而，考虑到我们要分析的图数据集的规模和复杂性日益增加，显然机器学习将在提升我们建模、分析和理解图数据的能力方面发挥重要作用。
为了更好地理解本书涉及的主题，以下是其目录：
-
介绍与动机
-
背景和传统方法
第一部分：节点嵌入
-
第三章：邻域重建方法
-
第四章：多关系数据和知识图谱
第二部分：图神经网络
-
图神经网络模型
-
实践中的图神经网络
-
理论动机
第三部分：生成图模型
-
传统图生成方法
-
深度生成模型
如果你对图表示感兴趣，或者想了解图在机器学习、数据科学或神经网络中的应用，这本书可能适合你。请务必查看现在免费提供的预出版版。如果你有兴趣购买这本书的实体版或数字版，可以在这里进行购买。
相关
-
2021 年 15 本免费数据科学、机器学习与统计电子书
-
学习数据科学的 5 本免费统计书籍
-
每个人都应该阅读的 5 本免费机器学习和深度学习电子书