图机器学习(第二期) 图机器学习(第二期)
所属分类:人工智能
  课程名 : 图机器学习(第二期)【开课中】 总学费/人 : ¥400 (固定学费:¥100, 逆向学费:¥300) 开课时间 : 2020-10-14 09:00:00 
开课老师 : kaisa


课程简介:

图诞生为一个简洁的数学概念:节点和节点之间关系的集合。如今图已经被广泛应用于建模许多真实世界的场景——从社交网络的人际关系,到信用卡的欺诈行为监测,再到遗传学与疾病检测,图无处不在。相比于其他的数据结构,图数据的一个重要的特性:图数据包含大量有价值的关系数据。然而,许多之前的机器学习模型往往只关注每个样本的特征,而没有考虑到样本之间的关系数据或没有很好的方法来利用和建模这些关系数据。图机器学习就应运而生了。近年来图逐渐变成机器学习的一个核心热门领域,拥有巨大的理论与实际应用发展前景。

本课程将结合图机器学习的数学理论基础与实际应用基础,深入浅出,来讲解当今最炙手可热的图机器学习与深度学习模型。从图论的数学基础开始,到经典的Google发家的PageRank搜索排名算法,到对利用节点本身特征和节点之间关系对节点进行分类的机器学习算法,再到诞生于近两年的图深度神经网络模型,本课程会为大家讲解模型的理论支持,模型结构,并讨论实际应用。学员在完成本课程之后,将拥有对图数据的深刻理解,与将在科研或工作中遇到的问题使用图机器学习的思路解决的能力。

 

课程大纲:

第一课:图论基础,图算法与图机器学习概况介绍

第二课:链结分析(Link Analysis):PageRank算法

第三课:图的聚类分析:图网络中的社群发现,谱聚类算法

第四课:图网络中的信息传递: 如何对图的节点分类(Node Classification)

第五课:网络表示学习:图嵌入(Graph Embedding)

第六课:图神经网络 (Graph Neural Network)

第七课:图的深度生成模型 (Deep Generative Models for Graphs)

第八课:图的深度学习模型的应用,目前SOTA模型的限制

 

授课对象:

对人工智能深度学习感兴趣的人,特别适合已经有一些机器学习、深度学习模型基础的学员。有一定python代码基础。较好能有一些线性代数,统计,概率等数学基本知识。

 

课程学习环境:

WindowsLinux等均可

 

收获预期:

1) 对图的一些经典算法有较深刻的理解;

2) 能理解近几年诞生的图机器学习模型的细节,并应用于实际问题;

3) 能读懂arxiv上新发表的各种图深度学习的论文



我要报名

 

GMT+8, 2020-10-23 01:45 , Processed in 0.173101 second(s), 27 queries .