要点 如何看待数据 现实中的图 图与机器学习 传统神经网络处理数据的局限性 只能处理简单的序列或栅格数据 如何处理更“普通”的数据: 图的复杂性 图机器学习基本工作流 图的网络 图的表示学习 常用图机器学习编程工具 图算法 可视化 图数据库 Neo4j中的几大类图算法 多级图计算任务 本文内容为开源学习社区Datawhale《图机器学习》课程笔记 课程开源内容贡献:B站 @同济子豪兄 如何看待数据 传统机器学习:将数据视为一组独立同分布的样本,数据之间没有关联关系。 图机器学习:通过节点-边的方式将不同的数据样本关联起来。 现实中的图 很多现实中的事物都可以抽象出图的模型,例如: 事件关联图 计算机集群网络 疾病传播路径 毒株变异路径 食物网 地铁线路网 社交网络 文献引用关系 神经网络 知识图谱 化学分子(原子与键) 3D图形 图片场景(画面中的物体及其关系——图像语义) 图与机器学习 数据之间的关联关系 ⟹ \implies