گراف‌ها مفاهیم پایه‌ای در مطالعهٔ شبکه‌های عصبی گرافی (GNNها) هستند. بنابراین، برای درک جامع از GNN، آشنایی با نظریهٔ پایهٔ گراف ضروری است.
درخت بی‌برگ
یک تناقض آشکار
طبقه بندی موضوعی
-
آشنایی
(۲) -
دروس کارشناسی
(۲) -
برنامه نویسی
(۲) -
کتاب
(۱) -
شبکه
(۱) -
رسانه
(۱)-
مدیاطوری
(۱)
-
-
صنایع مخابرات
(۱) -
جنبش دانشجویی
(۲) -
دانشگاه
(۲) -
انتخابات
(۱) -
یادگیری ماشین
(۷)-
یادگیری بازنمایی
(۴)
-
-
شبکه‌های عصبی
(۷) -
جبر خطی
(۱) -
احتمالات
(۱) -
گراف
(۳)
کلمات کلیدی
بایگانی
- فروردين ۱۴۰۴ (۱۰)
- مرداد ۱۴۰۲ (۲)
- بهمن ۱۴۰۱ (۱)
- تیر ۱۴۰۰ (۱)
- فروردين ۱۳۹۹ (۲)
- اسفند ۱۳۹۸ (۱)
- مهر ۱۳۹۷ (۱)
- شهریور ۱۳۹۷ (۱)
- مرداد ۱۳۹۷ (۱)
- تیر ۱۳۹۷ (۶)
آخرین مطالب
- ۰۴/۰۱/۱۵قضیه نقطه ثابت باناخ
- ۰۴/۰۱/۰۹شبکه‌های عصبی گرافی
- ۰۴/۰۱/۰۶Latex در وبلاگ
- ۰۴/۰۱/۰۶بازگشتی شکوهمندانه
محبوب ترین مطالب
- ۹۸/۱۲/۲۸مدیاطوری - قسمت اول
- ۰۰/۰۴/۱۸یونیورسیطه یا دانشگاه؟!/قسمت اول
- ۰۲/۰۵/۲۹افتتاح وبسایت درخت بی‌برگ
عدم قطعیت در زمینه یادگیری ماشین همه جا وجود دارد، بنابراین ما باید از نظریه احتمال برای تعیین کمیت عدم قطعیت استفاده کنیم. در این بخش، برخی از مفاهیم اساسی و توزیع‌های کلاسیک در نظریه احتمال را که برای درک بقیه مطالب ضروری هستند، مرور می‌کنیم.