Бакалавриат
2024/2025
Глубинное обучение в анализе графовых данных
Статус:
Курс по выбору (Прикладная математика и информатика)
Направление:
01.03.02. Прикладная математика и информатика
Где читается:
Факультет компьютерных наук
Когда читается:
4-й курс, 1, 2 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
5
Программа дисциплины
Аннотация
В данном курсе рассматриваются классические и глубинные подходы для работы с данными, имеющими графовую структуру, - такими как, например, социальные сети, дорожные графы и графы знаний. В курсе, помимо классических постановок задач из машинного обучения, будут рассмотрены и довольно важные, специфичные для области задачи - например, восстановление графа знаний и генерация графов с заданными свойствами. Особый акцент будет сделан на глубинную парадигму работы с графами: вы познакомитесь с графовыми нейронными сетями и концепцией графовых сверток.
Цель освоения дисциплины
- Понимание смысла применения графовых нейросетей
- Умение создавать и объяснять выбранную архитектуру графовой нейронной сети
- Знание и умение пользоваться популярными библиотеками в области графового анализа данных
Планируемые результаты обучения
- Познакомиться с графовыми нейронными сетями и концепцией графовых сверток
- Восстановить граф знаний и сгенерировать графы с заданными свойствами
- Работать с данными, имеющими графовую структуру
Содержание учебной дисциплины
- Постановка смысла применения графовых нейросетей. Повторение базовых алгоритмов на графах.
- Алгоритмы на графах и переход в графовые нейросети.
- Графовые нейросети и принципы их обучения.
- Применение графовых нейросетей в задачах Computer Vision.
- Применение графовых нейросетей в задачах Natural Language Processing.
- Графовые свертки.
- Графы знаний (Knowledge Graphs)
- Эмбеддинги на графах
- Генеративные графовые нейросети
- Применение графовых нейросетей в рекомендательных системах
- Применение графовых нейросетей в антифроде
- Разбор специфичных практических применений из последних успешных проектов (по типу уникального распознавания mnist, дорожных сетей)
Элементы контроля
- Домашнее задание 3Выдается после лекции 7, содержит практическую задачу на применение графовых нейросетей в задачах, связанных с графами знаний, оценивается в 15 баллов.
- Домашнее задание 5Выдается после лекции 10, содержит теоретические задачи на понимание статей по графовым нейросетям, оценивается в 15 баллов.
- Домашнее задание 2Выдается после лекции 6, содержит практическую задачу на применение графовых сверток, оценивается в 10 баллов.
- ЭкзаменЭкзамен представляет собой: 1) защиту дополнительного проекта - студент должен объяснить как решал задачу, смысл написанного им кода 2) устный ответ на теоретические вопросы по программе курса по билетам
- Домашнее задание 1Выдается после лекции 3, содержит теоретические задачи по пройденным темам, оценивается в 10 баллов.
- Домашнее задание 4Выдается после лекции 9, содержит практическую задачу на применение графовых генеративных сетей, оценивается в 20 баллов.
Промежуточная аттестация
- 2024/2025 2nd module0.14 * Домашнее задание 1 + 0.14 * Домашнее задание 2 + 0.14 * Домашнее задание 3 + 0.14 * Домашнее задание 4 + 0.14 * Домашнее задание 5 + 0.3 * Экзамен
