工程師
互聯(lián)網(wǎng)
知識圖譜
深度學(xué)習(xí)
圖神經(jīng)網(wǎng)絡(luò)
GNN
推薦課程
average > 0 ? $model->average . '分' : '10.0分' ?>

圖神經(jīng)?絡(luò) Graph Neural Network (GNN)

課程費(fèi)用

7800.00 /人

課程時(shí)長

3天

成為教練

課程簡介

之前深度學(xué)習(xí)主要關(guān)注例如文字的序列結(jié)構(gòu)、例如圖片的平面結(jié)構(gòu)，現(xiàn)在處理這些數(shù)據(jù)的做法也比較成熟，關(guān)注序列任務(wù)的NLP領(lǐng)域多用RNN、Transformer、CNN對數(shù)據(jù)進(jìn)行Encoder，而關(guān)注平面結(jié)構(gòu)的CV領(lǐng)域更多使用CNN及其各種變體對數(shù)據(jù)進(jìn)行Encoder。在現(xiàn)實(shí)世界中更多的數(shù)據(jù)表示并不是序列或者平面這種簡單的排列，而是表現(xiàn)為更為復(fù)雜的圖結(jié)構(gòu)，如社交網(wǎng)絡(luò)、商品-店鋪-人之間的關(guān)系、分子結(jié)構(gòu)等等。
圖(graph)是一個(gè)非常常用的數(shù)據(jù)結(jié)構(gòu)，現(xiàn)實(shí)世界中很多很多任務(wù)可以描述為圖問題，比如社交網(wǎng)絡(luò)，蛋白體結(jié)構(gòu)，交通路網(wǎng)數(shù)據(jù)，以及很火的知識圖譜等，甚至規(guī)則網(wǎng)格結(jié)構(gòu)數(shù)據(jù)(如圖像，視頻等)也是圖數(shù)據(jù)的一種特殊形式，因此圖是一個(gè)很值得研究的領(lǐng)域。

目標(biāo)收益

1. 從基礎(chǔ)開始，理解圖數(shù)據(jù)結(jié)構(gòu)特點(diǎn)和特征向量表示
2. 了解圖的應(yīng)用領(lǐng)域和應(yīng)用方法
3. 由淺入深學(xué)習(xí)圖神經(jīng)網(wǎng)絡(luò)的構(gòu)建、分類
4. 掌握圖神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練方法
5. 以GNN為基礎(chǔ)學(xué)習(xí)知識圖譜的表示和推理
6. 進(jìn)階學(xué)習(xí)圖生成網(wǎng)絡(luò)、圖對抗訓(xùn)練和圖模型的規(guī)?；?/p>

培訓(xùn)對象

對GNN算法原理和應(yīng)?感興趣，具有?定編程(Python)和數(shù)學(xué)基礎(chǔ)(線性代數(shù)、微積分、概率論)的技術(shù)?員。

課程大綱

圖和圖神經(jīng)?絡(luò)發(fā)展 1.1.為何需要圖
復(fù)習(xí)/了解圖數(shù)據(jù)結(jié)構(gòu)，以及如何在圖數(shù)據(jù)上應(yīng)?機(jī)器學(xué)習(xí)
1.2.圖神經(jīng)?絡(luò)應(yīng)?
介紹圖神經(jīng)?絡(luò)的應(yīng)?場景和?式
1.3.圖的表示 Graph Representation
圖神經(jīng)?絡(luò)基礎(chǔ) 2.1.傳統(tǒng)基于特征的?法：節(jié)點(diǎn)
2.2.傳統(tǒng)基于特征的?法：邊
2.3.傳統(tǒng)基于特征的?法：圖
圖嵌?向量 Graph Embedding 3.1.節(jié)點(diǎn)嵌?向量 Node Embeddings
3.2.節(jié)點(diǎn)嵌?的隨機(jī)游??法 Random walk approaches for node embeddings
3.3.圖整體的嵌?向量 Embedding entire graphs
使?矩陣?具研究圖 4.1.PageRank：問題和?案
4.2.PageRank：如何解決
4.3.帶重啟的隨機(jī)遍歷 Random walk with restarts
4.4.矩陣分解和節(jié)點(diǎn)嵌? Matrix factorizing and node embedding
圖神經(jīng)?絡(luò)預(yù)備 5.1.消息傳遞和節(jié)點(diǎn)分類 Message passing and node classification
5.2.關(guān)系和迭代分類 Relational and iterative classification5.3.集體分類 Collective classification
圖神經(jīng)?絡(luò)?? 6.1.圖神經(jīng)?絡(luò)介紹
6.2.深度學(xué)習(xí)基礎(chǔ)
6.3.圖的深度學(xué)習(xí) Deep learning for graph
圖神經(jīng)?絡(luò)概述 7.1.對GNN的?般觀點(diǎn)
7.2.單層GNN A single layer of a GNN
7.3.多層GNN Stacking layers of a GNN
圖神經(jīng)?絡(luò)設(shè)計(jì)和訓(xùn)練 8.1.GNN的圖擴(kuò)展 Graph augmentation for GNNs
8.2.訓(xùn)練圖神經(jīng)?絡(luò)
8.3.?圖神經(jīng)?絡(luò)作預(yù)測任務(wù) Setting up GNN prediction tasks
圖神經(jīng)?絡(luò)理論 9.1.圖神經(jīng)?絡(luò)的表達(dá)? How expressive are GNN
9.2.如何設(shè)計(jì)強(qiáng)表達(dá)?圖神經(jīng)?絡(luò)
知識圖譜 10.1.異構(gòu)和知識圖譜嵌? Heterogeneous and knowledge graph embedding
10.2.知識圖譜KG完全?法 Knowledge graph KG completion
10.3.多種知識圖譜完全?法 Knowledge graph completion
知識圖譜推理 11.1.在知識圖譜上進(jìn)?推理 Reasoning in knowledge graphs
11.2.回答預(yù)測性查詢 Answering predictive queries
11.3.在知識圖譜上進(jìn)? Query2box 推理 Query2box reasoning over KGs
?圖問題 12.1.快速神經(jīng)?圖匹配和計(jì)數(shù) Fast Neural Subgraph Matching & Counting
12.2.神經(jīng)?圖匹配 Neural subgraph matching
12.3.查找頻繁?圖 Finding Frequent Subgraphs
?絡(luò)社區(qū) 13.1.?絡(luò)中的社區(qū)檢測 Community Detection in Networks
13.2.?絡(luò)中的社區(qū) Network Communities
13.3.Louvain 算法
13.4.檢測重疊社區(qū) detecting overlapping communities
圖?成模型 14.1.圖?成模型介紹 Generative Models for Graphs14.2.Erdos Renyi隨機(jī)圖 Erdos Renyi Random Graphs
14.3.?世界模型 The small world model
14.4.Kronecker 圖模型
深度圖?成模型 15.1.深度圖?成模型 Deep generative models for graphs
15.2.圖 RNN ?成逼真的圖 Graph RNN Generating Realistic Graphs
15.3.規(guī)?；驮u估圖?成 Scaling up and Evaluating Graph Gen
15.4.深度圖?成模型應(yīng)?
圖模型的局限性和對抗訓(xùn)練 16.1.圖模型的局限性
16.2.節(jié)點(diǎn)位置感知的圖神經(jīng)?絡(luò) Position aware GNN
16.3.身份感知的圖神經(jīng)?絡(luò) Identity-Aware Graph Neural Networks
16.4.圖神經(jīng)?絡(luò)的健壯性（相對于對抗攻擊） Robustness of Graph Neural Networks
圖模型的規(guī)?；? 17.1.將圖形神經(jīng)?絡(luò)擴(kuò)展到?圖 Scaling up Graph Neural Networks to Large Graphs
17.2.GraphSAGE 鄰?采樣 GraphSAGE Neighbor Sampling
17.3.集群 GCN 規(guī)?；瘓D神經(jīng)?絡(luò) Cluster GCN Scaling up GNNs
17.4.通過簡化圖神經(jīng)?絡(luò)實(shí)現(xiàn)規(guī)?；?Scaling up by Simplifying GNNs
圖和圖神經(jīng)?絡(luò)發(fā)展
1.1.為何需要圖
復(fù)習(xí)/了解圖數(shù)據(jù)結(jié)構(gòu)，以及如何在圖數(shù)據(jù)上應(yīng)?機(jī)器學(xué)習(xí)
1.2.圖神經(jīng)?絡(luò)應(yīng)?
介紹圖神經(jīng)?絡(luò)的應(yīng)?場景和?式
1.3.圖的表示 Graph Representation
圖神經(jīng)?絡(luò)基礎(chǔ)
2.1.傳統(tǒng)基于特征的?法：節(jié)點(diǎn)
2.2.傳統(tǒng)基于特征的?法：邊
2.3.傳統(tǒng)基于特征的?法：圖
圖嵌?向量 Graph Embedding
3.1.節(jié)點(diǎn)嵌?向量 Node Embeddings
3.2.節(jié)點(diǎn)嵌?的隨機(jī)游??法 Random walk approaches for node embeddings
3.3.圖整體的嵌?向量 Embedding entire graphs
使?矩陣?具研究圖
4.1.PageRank：問題和?案
4.2.PageRank：如何解決
4.3.帶重啟的隨機(jī)遍歷 Random walk with restarts
4.4.矩陣分解和節(jié)點(diǎn)嵌? Matrix factorizing and node embedding
圖神經(jīng)?絡(luò)預(yù)備
5.1.消息傳遞和節(jié)點(diǎn)分類 Message passing and node classification
5.2.關(guān)系和迭代分類 Relational and iterative classification5.3.集體分類 Collective classification
圖神經(jīng)?絡(luò)??
6.1.圖神經(jīng)?絡(luò)介紹
6.2.深度學(xué)習(xí)基礎(chǔ)
6.3.圖的深度學(xué)習(xí) Deep learning for graph
圖神經(jīng)?絡(luò)概述
7.1.對GNN的?般觀點(diǎn)
7.2.單層GNN A single layer of a GNN
7.3.多層GNN Stacking layers of a GNN
圖神經(jīng)?絡(luò)設(shè)計(jì)和訓(xùn)練
8.1.GNN的圖擴(kuò)展 Graph augmentation for GNNs
8.2.訓(xùn)練圖神經(jīng)?絡(luò)
8.3.?圖神經(jīng)?絡(luò)作預(yù)測任務(wù) Setting up GNN prediction tasks
圖神經(jīng)?絡(luò)理論
9.1.圖神經(jīng)?絡(luò)的表達(dá)? How expressive are GNN
9.2.如何設(shè)計(jì)強(qiáng)表達(dá)?圖神經(jīng)?絡(luò)
知識圖譜
10.1.異構(gòu)和知識圖譜嵌? Heterogeneous and knowledge graph embedding
10.2.知識圖譜KG完全?法 Knowledge graph KG completion
10.3.多種知識圖譜完全?法 Knowledge graph completion
知識圖譜推理
11.1.在知識圖譜上進(jìn)?推理 Reasoning in knowledge graphs
11.2.回答預(yù)測性查詢 Answering predictive queries
11.3.在知識圖譜上進(jìn)? Query2box 推理 Query2box reasoning over KGs
?圖問題
12.1.快速神經(jīng)?圖匹配和計(jì)數(shù) Fast Neural Subgraph Matching & Counting
12.2.神經(jīng)?圖匹配 Neural subgraph matching
12.3.查找頻繁?圖 Finding Frequent Subgraphs
?絡(luò)社區(qū)
13.1.?絡(luò)中的社區(qū)檢測 Community Detection in Networks
13.2.?絡(luò)中的社區(qū) Network Communities
13.3.Louvain 算法
13.4.檢測重疊社區(qū) detecting overlapping communities
圖?成模型
14.1.圖?成模型介紹 Generative Models for Graphs14.2.Erdos Renyi隨機(jī)圖 Erdos Renyi Random Graphs
14.3.?世界模型 The small world model
14.4.Kronecker 圖模型
深度圖?成模型
15.1.深度圖?成模型 Deep generative models for graphs
15.2.圖 RNN ?成逼真的圖 Graph RNN Generating Realistic Graphs
15.3.規(guī)?；驮u估圖?成 Scaling up and Evaluating Graph Gen
15.4.深度圖?成模型應(yīng)?
圖模型的局限性和對抗訓(xùn)練
16.1.圖模型的局限性
16.2.節(jié)點(diǎn)位置感知的圖神經(jīng)?絡(luò) Position aware GNN
16.3.身份感知的圖神經(jīng)?絡(luò) Identity-Aware Graph Neural Networks
16.4.圖神經(jīng)?絡(luò)的健壯性（相對于對抗攻擊） Robustness of Graph Neural Networks
圖模型的規(guī)模化
17.1.將圖形神經(jīng)?絡(luò)擴(kuò)展到?圖 Scaling up Graph Neural Networks to Large Graphs
17.2.GraphSAGE 鄰?采樣 GraphSAGE Neighbor Sampling
17.3.集群 GCN 規(guī)?；瘓D神經(jīng)?絡(luò) Cluster GCN Scaling up GNNs
17.4.通過簡化圖神經(jīng)?絡(luò)實(shí)現(xiàn)規(guī)模化 Scaling up by Simplifying GNNs

活動(dòng)詳情

提交需求