失語症及相關神經性溝通障礙(二版) (2版)

類似書籍推薦給您

內容簡介 　　失語症與相關神經溝通障礙（中文二版）介紹失語症的定義、術語、分類、症狀及神經學，包含可塑性和復原的理論。本書以WHO ICF為框架並側重於循證實踐，新版在此部分提供了完整的介紹。本書也介紹了失語症的最佳評估和介入策略，包含最新的神經心理模式及正式與非正式的評估，以協助語言治療師做出正確的復健選擇。同時，也涵蓋失語症的治療理論，如何進行實證本位的治療，以及輔助溝通系統及電腦化治療在失語症領域之應用。 　　本書由國際間的專家共同完成，讓讀者可以更全面瞭解神經性溝通障礙與神經性溝通障礙的最新發展。讀者亦可透過個案實例專欄將章節中的理論做出應用，並可透過學習目標來檢視學習狀態，章節中也提供未來方向讓讀者瞭解在該領域的未來發展。 　　新版特色： 　　◉新章節：神經學、神經連結系統、與失語症的本質 　　◉新章節：治療功效與結果 　　◉新章節：與認知－溝通障礙共存 　　◉新章節：神經外科中的語言障礙 　　◉深入探討ICF架構及EBP 目錄 第一部 失語症 第1章 失語症及相關神經性溝通障礙：基本觀念、處置及科技在失語症領域的使用 第2章 失語症及其治療在歷史上的重要里程碑 第3章 神經學、神經連結系統與失語症的本質 第4章 失語症的可塑性及恢復 第5章 失語症的正式及非正式評估 第6章 失語症的治療取向 第7章 治療功效與成效 第8章 失語症處置中語言外的認知考量 第9章 聽覺理解障礙與處置 第10章 詞彙提取障礙 第11章 後天性閱讀障礙：建模、評估與治療 第12章 書寫語言及其障礙 第13章 失語症的語句處理障礙 第14章 失語症日常談話：評估與治療 第15章 失語症的生活品質取向 第16章 與失語症共處：以個案為中心的方法 第17章 多元民族的多語組群失語症治療 第二部 失語症相關神經性溝通障礙 第18章 右腦傷相關的溝通障礙 第19章 右腦傷相關的認知障礙 第20章 創傷性腦傷 第21章 失智症及相關認知障礙 第22章 與認知－溝通障礙共存 第23章 神經外科中的語言障礙 第24章 後天性言語失用症 第25章 吶吃的處置

AI GNN再進化-圖神經網路完整學習及應用大全 (1版)

類似書籍推薦給您

內容簡介 　　本書全面介紹了圖神經網路的各個方面，包括基礎理論、前沿問題，以及模型算法和實際應用。 　　全書共分為四部分，27章。首部分為引言，探討了機器學習的效率與資料在特徵空間中的表示方法的關係，並著重於圖表示學習的目標與方法。 　　第二部分討論了圖神經網路的基礎問題，包括表現能力、可擴展性、可解釋性和對抗堅固性等問題，並強調了圖神經網路所面對的獨特挑戰。 　　第三部分則著重於前沿問題，包括圖分類、連接預測、圖生成、圖轉換、圖匹配、圖結構學習、動態圖神經網路、異質圖神經網路、自動機器學習和自監督學習等領域的現狀和未來趨勢。 　　最後一部分則廣泛討論了圖神經網路在現代推薦系統、計算機視覺、自然語言處理、程序分析、藥物開發等領域的應用。 目錄 第一部分 引 言 第1章 表徵學習 1.1 導讀 1.2 不同領域的表徵學習 1.3 小結 第2章 圖表徵學習 2.1 導讀 2.2 傳統圖嵌入方法 2.3 現代圖嵌入方法 2.4 圖神經網路 2.5 小結 第3章 圖神經網路 3.1 導讀 3.2 圖神經網路概述 3.3 小結 第二部分 基 礎 第4章 用於節點分類的圖神經網路 4.1 背景和問題定義 4.2 有監督的圖神經網路 4.3 無監督的圖神經網路 4.4 過平滑問題 4.5 小結 第5章 圖神經網路的表達能力 5.1 導讀 5.2 圖表徵學習和問題的提出 5.3 強大的訊息傳遞圖神經網路 5.4 比1-WL測試更強大的圖神經網路架構 5.5 小結 第6章 圖神經網路的可擴充性 6.1 導讀 6.2 引言 6.3 抽樣範式 6.4 大規模圖神經網路在推薦系統中的應用 6.5 未來的方向 第7章 圖神經網路的可解釋性 7.1 背景：深度模型的可解釋性 7.2 圖神經網路的解釋方法 7.3 圖神經網路的可解釋模型 7.4 圖神經網路解釋的評估 7.5 未來的方向 第8章 圖神經網路的對抗堅固性 8.1 動機 8.2 圖神經網路的局限性：對抗性樣本 8.3 可證明的堅固性：圖神經網路的驗證 8.4 提高圖神經網路的堅固性 8.5 從堅固性的角度進行適當評估 8.6 小結 第三部分 前 沿 第9章 圖分類 9.1 導讀 9.2 用於圖分類的圖神經網路：典型工作和現代架構 9.3 池化層：從節點級輸出學習圖級輸出 9.4 圖神經網路和高階層在圖分類中的局限性 9.5 圖神經網路在圖分類中的應用 9.6 基準資料集 9.7 小結 第10章 連結預測 10.1 導讀 10.2 傳統的連結預測方法 10.3 以GNN為基礎的連結預測方法 10.4 連結預測的理論 10.5 未來的方向 第11章 圖生成 11.1 導讀 11.2 經典的圖生成模型 11.3 深度圖生成模型 11.4 小結 第12章 圖轉換 12.1 圖轉換問題的形式化 12.2 節點級轉換 12.3 邊級轉換 12.4 節點-邊共轉換 12.5 其他以圖為基礎的轉換 12.6 小結 第13章 圖匹配 13.1 導讀 13.2 圖匹配學習 13.3 圖相似性學習 13.4 小結 第14章 圖結構學習 14.1 導讀 14.2 傳統的圖結構學習 14.3 圖神經網路的圖結構學習 14.4 未來的方向 14.5 小結 第15章 動態圖神經網路 15.1 導讀 15.2 背景和標記法 15.3 動態圖的類型 15.4 用圖神經網路對動態圖進行建模 15.5 應用 15.6 小結 第16章 異質圖神經網路 16.1 HGNN簡介 16.2 淺層模型 16.3 深度模型 16.4 回顧 16.5 未來的方向 第17章 自動機器學習 17.1 背景 17.2 搜尋空間 17.3 搜尋演算法 17.4 未來的方向 第18章 自監督學習 18.1 導讀 18.2 自監督學習概述 18.3 將SSL應用於圖神經網路：對訓練策略、損失函數和代理任務進行分類 18.4 節點級代理任務 18.5 圖級代理任務 18.6 節點-圖級代理任務 18.7 討論 18.8 小結 第四部分 廣泛和新興的應用 第19章 現代推薦系統中的圖神經網路 19.1 圖神經網路在推薦系統中的實踐 19.2 案例研究1：動態的GNN學習 19.3 案例研究2：裝置-雲端協作的GNN學習 19.4 未來的方向 第20章 電腦視覺中的圖神經網路 20.1 導讀 20.2 將視覺表徵為圖 20.3 案例研究1：影像 20.4 案例研究2：視訊 20.5 其他相關工作：跨媒體 20.6 圖神經網路在電腦視覺中的前端問題 20.7 小結 第21章 自然語言處理中的圖神經網路 圖神經網路 21.1 導讀 21.2 將文字建模為圖 21.3 案例研究1：以圖為基礎的文字聚類和匹配 21.4 案例研究2：以圖為基礎的中繼站閱讀理解 21.5 未來的方向 21.6 小結 第22章 程式分析中的圖神經網路 22.1 導讀 22.2 程式分析中的機器學習 22.3 程式的圖表徵 22.4 用於程式圖的圖神經網路 22.5 案例研究1：檢測變數誤用缺陷 22.6 案例研究2：預測動態類型化語言中的類型 22.7 未來的方向 第23章 軟體挖掘中的圖神經網路 23.1 導讀 23.2 將軟體建模為圖 23.3 相關的軟體挖掘任務 23.4 軟體挖掘任務實例：原始程式碼總結 23.5 小結 第24章 藥物開發中以圖神經網路為基礎的生物醫學知識圖譜挖掘 生物醫學知識圖譜挖掘 24.1 導讀 24.2 現有的生物醫學知識圖譜 24.3 知識圖譜的推理 24.4 藥物開發中以KG為基礎的假設生成 24.5 未來的方向 第25章 預測蛋白質功能和相互作用的圖神經網路 25.1 從蛋白質的相互作用到功能簡介 25.2 三個典型的案例研究 25.3 未來的方向 第26章 異常檢測中的圖神經網路 26.1 導讀 26.2 以GNN為基礎的異常檢測的問題 26.3 管線 26.4 分類法 26.5 案例研究 26.6 未來的方向 第27章 智慧城市中的圖神經網路 27.1 用於智慧城市的圖神經網路 27.2 未來的方向 參考文獻