Delivered at:: Big Data and Information Retrieval School

Course type:: Compulsory course

When:: 4 year, 1, 2 module

Полная версия программы учебной 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 1
Выдается после лекции 3, содержит теоретические задачи по пройденным темам, оценивается в 10 баллов.
Домашнее задание 3
Выдается после лекции 7, содержит практическую задачу на применение графовых нейросетей в задачах, связанных с графами знаний, оценивается в 15 баллов.
Домашнее задание 5
Выдается после лекции 10, содержит теоретические задачи на понимание статей по графовым нейросетям, оценивается в 15 баллов.
Домашнее задание 2
Выдается после лекции 6, содержит практическую задачу на применение графовых сверток, оценивается в 10 баллов.
Домашнее задание 4
Выдается после лекции 9, содержит практическую задачу на применение графовых генеративных сетей, оценивается в 20 баллов.
Экзамен
Экзамен 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 5
Выдается после лекции 10, содержит теоретические задачи на понимание статей по графовым нейросетям, оценивается в 15 баллов.
Домашнее задание 1
Выдается после лекции 3, содержит теоретические задачи по пройденным темам, оценивается в 10 баллов.
Домашнее задание 4
Выдается после лекции 9, содержит практическую задачу на применение графовых генеративных сетей, оценивается в 20 баллов.
Домашнее задание 3
Выдается после лекции 7, содержит практическую задачу на применение графовых нейросетей в задачах, связанных с графами знаний, оценивается в 15 баллов.
Экзамен
Экзамен 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 2
Выдается после лекции 6, содержит практическую задачу на применение графовых сверток, оценивается в 10 баллов.

Промежуточная аттестация

2024/2025 2nd module
дз 0,140 каждое экзамен 0,300

Список литературы

Авторы

Кононова Елизавета Дмитриевна
Ахмедова Гюнай Интигам кызы
Оруджева Альбина Александровна
Рословцева Кристина Олеговна

Bachelor’s Programme 'Computing and Data Science'

Contacts

Deep Learning for Graph Data Analysis

Программа дисциплины