Во многих задачах машинного обучения важны не только сами объекты, но и связи между ними. Пользователи подписываются друг на друга, сайты соединены ссылками, научные статьи — цитированиями, товары и покупатели — покупками, а атомы в молекулах — химическими связями. Все это можно представить в виде графов.
На курсе «Графы в машинном обучении» студенты ШАДа учатся извлекать пользу из таких данных. В курсе рассматриваются как классические темы (PageRank, модели случайных графов, поиск сообществ), так и различные варианты современных графовых нейронных сетей и фундаментальных моделей.
Эти подходы применяются в рекомендательных системах, выявлении мошенничества, моделировании дорожного движения, поиске и рекламе, прогнозировании погоды и свойств молекул.
Программа курса
— Introduction: fantastic graphs and where to find them, applications of graph machine learning, centrality measures, PageRank
— Node classification in non-attributed graphs: label propagation, unsupervised node embeddings
— Graph neural networks, message-passing framework, expressive power
— Graph classification
— Machine learning on large-scale graphs
— Network analysis and random graph models
— Community detection
— Link prediction
— Graph-based nearest neighbor search
— Tabular machine learning and tabular foundation models
— Graph foundation models
— Graphs meet tables: machine learning on relational databases
— Graphs for recommender systems
👀 В этом году в программе впервые появился отдельный блок про машинное обучение на табличных данных и реляционных базах данных. Студенты разберутся, как объединять информацию из связанных между собой таблиц — одна из самых частых постановок в реальных индустриальных задачах.
Курс ведет команда исследователей под руководством Людмилы Прохоренковой из команды Yandex Research. Подробности о пререквизитах и формате курса смотрите в карточке👆
Ваш ШАД 🎓
#курсышад