A Comprehensive Survey on Graph Neural Networks
Deep learning has revolutionized many machine learning tasks in recent years, ranging from image classification and video processing to speech recognition and natural language understanding. The data in these tasks are typically represented in the Euclidean space. However, there is an increasing number of applications, where data are generated from non-Euclidean domains and are represented as graphs with complex relationships and interdependency between objects. The complexity of graph data has imposed significant challenges on the existing machine learning algorithms. Recently, many studies on extending deep learning approaches for graph data have emerged. In this article, we provide a comprehensive overview of graph neural networks (GNNs) in data mining and machine learning fields. We propose a new taxonomy to divide the state-of-the-art GNNs into four categories, namely, recurrent GNNs, convolutional GNNs, graph autoencoders, and spatial-temporal GNNs. We further discuss the applications of GNNs across various domains and summarize the open-source codes, benchmark data sets, and model evaluation of GNNs. Finally, we propose potential research directions in this rapidly growing field.
Deep learning has revolutionized many machine learning tasks in recent years, ranging from image classification and video processing to speech recognition and natural language understanding. The data in these tasks are typically represented in the Euclidean space. However, there is an increasing number of applications, where data are generated from non-Euclidean domains and are represented as graphs with complex relationships and interdependency between objects. The complexity of graph data has imposed significant challenges on the existing machine learning algorithms. Recently, many studies on extending deep learning approaches for graph data have emerged. In this article, we provide a comprehensive overview of graph neural networks (GNNs) in data mining and machine learning fields. We propose a new taxonomy to divide the state-of-the-art GNNs into four categories, namely, recurrent GNNs, convolutional GNNs, graph autoencoders, and spatial-temporal GNNs. We further discuss the applications of GNNs across various domains and summarize the open-source codes, benchmark data sets, and model evaluation of GNNs. Finally, we propose potential research directions in this rapidly growing field.
Robert_Longo_A_Consumer's_Guide_to_Understanding_240307_222938.pdf
1.3 MB
A Consumer's Guide to Understanding QEEG Brain Mapping and Neurofeedback Training (ISNR Learning Series)
#book
#book
https://www.deeplook.ir/chatgpt/
مُدِل های زبانیِ بزرگ (LLM)
چگونه یک "هوشِ مصنوعی" می تواند هم صحبتِ انسان ها شود؟
بیان ساده برای توضیح ساختار chatGPT
Deep neural network
NLP natural language processing
Embedding vectors -Word to vector
Attention
Transformer
مُدِل های زبانیِ بزرگ (LLM)
چگونه یک "هوشِ مصنوعی" می تواند هم صحبتِ انسان ها شود؟
بیان ساده برای توضیح ساختار chatGPT
Deep neural network
NLP natural language processing
Embedding vectors -Word to vector
Attention
Transformer
Forwarded from TechTube 𝕏 تک توب
طرف مقدمه مقاله رو از ChatGPT گرفته، بعد همون رو کپی کرده و یادش رفته جمله اولش که میگه “بفرما اینم مقدمت” رو پاک کنه و خیلی جالب تر ازون اینکه مقاله چاپ شده و هیچ داوریم ککش نگزیده :))
🔎 Shana_Kite
📍 @TechTube
🔎 Shana_Kite
📍 @TechTube
Forwarded from EEG workshop
"هیچ ملتی با یک نسل و دو نسل شکل نمیگیرد. ملت مجموعهی پیوستهی نسلهای متوالی بسیار است. اما زمان، این تیغ بیرحم، پیوند نسلها را قطع میکند. میان ما و گذشتگانمان درهی هولناک تاریخ حفر شده است. تنها سنتها هستند که پنهان از چشم جلاد زمان، ما را از این درهی هولناک گذر میدهند و با گذشتهمان و گذشتههایمان آشنا میسازند. در چهرهی مقدس این سنتهاست که حضور آنان را در زمان خویش، کنار خویش و در 'خودِ خویش' احساس میکنیم؛ حضور خود را در میان آنان میبینیم و جشن نوروز یکی از استوارترین و زیباترین سنتهاست."
دکتر علی شریعتی، کتاب کویر ، انتشارات سپیده باوران، ص ۳۲۱.
دکتر علی شریعتی، کتاب کویر ، انتشارات سپیده باوران، ص ۳۲۱.
Forwarded from EEG workshop
غزلی زیبا از مولانا:
نوروز بمانید که ایّام شمایید!
آغاز شمایید و سرانجام شمایید!
آن صبح نخستین بهاری که ز شادی
می آورد از چلچله پیغام، شمایید!
آن دشت طراوت زده آن جنگل هشیار
آن گنبد گردننده ی آرام شمایید!
خورشید گر از بام فلک عشق فشاند،
خورشید شما، عشق شما، بام شمایید!
نوروز کهنسال کجا غیر شما بود؟
اسطوره ی جمشید و جم و جام شمایید!
عشق از نفس گرم شما تازه کند جان
افسانه ی بهرام و گل اندام شمایید!
هم آینه ی مهر و هم آتشکده ی عشق،
هم صاعقه ی خشم ِ بهنگام شمایید!
امروز اگر می چمد ابلیس، غمی نیست
در فنّ کمین حوصله ی دام شمایید!
گیرم که سحر رفته و شب دور و دراز است،
در کوچه ی خاموش زمان، گام شمایید
ایّام ز دیدار شمایند مبارک
نوروز بمانید که ایّام شمایید!
"سال نو مبارک باد"
نوروز بمانید که ایّام شمایید!
آغاز شمایید و سرانجام شمایید!
آن صبح نخستین بهاری که ز شادی
می آورد از چلچله پیغام، شمایید!
آن دشت طراوت زده آن جنگل هشیار
آن گنبد گردننده ی آرام شمایید!
خورشید گر از بام فلک عشق فشاند،
خورشید شما، عشق شما، بام شمایید!
نوروز کهنسال کجا غیر شما بود؟
اسطوره ی جمشید و جم و جام شمایید!
عشق از نفس گرم شما تازه کند جان
افسانه ی بهرام و گل اندام شمایید!
هم آینه ی مهر و هم آتشکده ی عشق،
هم صاعقه ی خشم ِ بهنگام شمایید!
امروز اگر می چمد ابلیس، غمی نیست
در فنّ کمین حوصله ی دام شمایید!
گیرم که سحر رفته و شب دور و دراز است،
در کوچه ی خاموش زمان، گام شمایید
ایّام ز دیدار شمایند مبارک
نوروز بمانید که ایّام شمایید!
"سال نو مبارک باد"
Forwarded from EEG workshop
This media is not supported in your browser
VIEW IN TELEGRAM
شهادت حضرت علی تسلیت باد. التماس دعا در شبهای قدر
A novel approach to identify the brain regions that best classify ADHD by means of EEG and deep learning