在分析、处理大规模图数据的过程中,往往在计算、算法和建模等方面充斥着挑战。而本课程,就是针对上述的种种问题而设计,适合初学者入门,也能让有一定编码能力和数学基础的同学进行一次梳理。主讲人为斯坦福计算机学院副教授Jure Leskovec,图表示学习方法 node2vec 和 GraphSAGE 的作者之一,GNN里一半的前沿研究和新应用都绕不开这位大佬。
专注于大规模图分析的计算、算法和建模挑战。通过研究基础图形结构及其特征,介绍适用于各种网络的机器学习技术和数据挖掘工具。课程主题包括:表示学习和图神经网络;网络算法;知识图谱推理;影响最大化;疾病爆发检测和社交网络分析。这是近年来首次全面总结图机器学习相关课程,课程内容新颖全面,包括近年来火热的图神经网络的局限和应用等。
原始链接:
http://web.stanford.edu/class/cs224w/
原始链接:
http://web.stanford.edu/class/cs224w/
1 课程介绍
复杂数据可以表示为对象之间的关系图。这种网络是模拟社会、技术和生物系统的基本工具。本课程着重于大量图的分析所特有的计算、算法和建模挑战。通过研究基础图结构及其特征,