Grafové neuronové sítě

Garant předmětu:

Miroslav Čepek

Přednášející:

Miroslav Čepek

Cvičící:

Miroslav Čepek

Předmět zajišťuje:

katedra aplikované matematiky

Anotace:

V rámci předmětu se studenti seznámí s pokročilými technikami umělé inteligence pro práci s grafy. Přednášky se soustředí na nejnovější grafové neuronové sítě pro vytváření vektorových reprezentací uzlů, hran i celých grafů. Probírané techniky pokrývají různé typy grafů, včetně grafů proměnných v čase. Poslení část kurzu se také zabývá generování grafů a interpretabilitou grafových neuronových sítí. V rámci cvičení si studenti vyzkouší vybrané techniky a úlohy.

Požadavky:

žádné vstupní požadavky

Osnova přednášek:

1) Úvod do předmětu, motivace a definice pojmů.

2) Reprezentace založené na matici sousednosti a náhodných procházkách grafem.

3) Konvoluční grafové neuronové sítě.

4) Reprezentace grafů proměnných v čase.

5) Generování a reprezentace grafů pomocí grafových autoenkodérů.

6) Interpretabilita a aplikace ve zpracování přirozeného jazyka a rekomendačních systémech.

Osnova cvičení:

1) Seznámení s knihovnou StellarGraph.

2) Vektorová reprezentace grafů.

3) Klasifikace a shlukování uzlů a grafů.

4) Grafy s časovou složkou.

5) Práce na semestrální úloze.

6) Odevzdání práce a prezentace.

Cíle studia:

V rámci předmětu se studenti seznámí s pokročilými technikami umělé inteligence pro práci s grafy. Přednášky se soustředí na nejnovější grafové neuronové sítě pro vytváření vektorových reprezentací uzlů, hran i celých grafů. Probírané techniky pokrývají různé typy grafů, včetně grafů proměnných v čase. Poslení část kurzu se také zabývá generování grafů a interpretabilitou grafových neuronových sítí. V rámci cvičení si studenti vyzkouší vybrané techniky a úlohy.

Studijní materiály:

Deep Learning; I. Goodfellow, Y. Bengio, A. Courville; MIT Press; 2016; ISBN 978-0262035613.

Introduction to Graph Neural Networks; Zhiyuan Liu, Jie Zhou; Morgan & Claypool Publishers; 2020; ISBN-13‎ 978-1681737652

Graph Representation Learning (Synthesis Lectures on Artificial Intelligence and Machine Learning); William L. Hamilton; Morgan & Claypool Publishers; 2020; ISBN‎ 978-1681739632

Heterogeneous Graph Representation Learning and Applications; Chuan Shi, Xiao Wang, Philip S. Yu; Springer; 2022; ISBN:‎ 978-9811661655

Poznámka:

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/NI-GNN/

Další informace:

https://courses.fit.cvut.cz/NI-GNN/

Rozvrh na zimní semestr 2024/2025:

Rozvrh není připraven

Rozvrh na letní semestr 2024/2025:

Rozvrh není připraven

Předmět je součástí následujících studijních plánů:

• Mgr. specializace Teoretická informatika, 2018-2019 (volitelný předmět)
• Mgr. specializace Počítačová bezpečnost, 2020 (volitelný předmět)
• Mgr. specializace Návrh a programování vestavných systémů, 2020 (volitelný předmět)
• Mgr. specializace Počítačové systémy a sítě, 2020 (volitelný předmět)
• Mgr. specializace Manažerská informatika, 2020 (volitelný předmět)
• Mgr. specializace Softwarové inženýrství, 2020 (volitelný předmět)
• Mgr. specializace Systémové programování, verze od 2020 (volitelný předmět)
• Mgr. specializace Webové inženýrství, 2020 (volitelný předmět)
• Mgr. specializace Znalostní inženýrství, 2020 (volitelný předmět)
• Mgr. specializace Teoretická informatika, 2020 (volitelný předmět)
• Mgr. program, pro fázi studia bez specializace, ver. pro roky 2020 a vyšší (volitelný předmět)
• Study plan for Ukrainian refugees (volitelný předmět)
• Mgr. specializace Systémové programování, verze od 2023 (volitelný předmět)
• Mgr. specializace Teoretická informatika, 2023 (volitelný předmět)