(Inggris) The Neural Networks

Data seringkali berada dalam struktur yang kompleks dan saling terhubung yang sulit untuk dianalisis secara efektif oleh jaringan saraf tradisional. Jaringan Saraf Grafis (GNN) menyediakan kerangka kerja yang kuat untuk menangkap dan memodelkan hubungan-hubungan ini, sehingga membuka wawasan yang kuat di berbagai bidang. Pada akhir kursus ini, Anda akan memahami konsep dasar di balik GNN, termasuk embedding node dan message passing, memungkinkan Anda untuk merancang dan mengimplementasikan model untuk tugas-tugas seperti klasifikasi node, prediksi tautan, dan klasifikasi graf menggunakan perpustakaan pembelajaran mendalam khusus. Apa yang akan kau pelajari: * Mengerti komponen inti dari struktur data graf dan representasi mereka untuk aplikasi machine learning. * Belajar arsitektur dan fungsi dasar model GNN, termasuk Graph Convolutional Networks (GCNs). * Terapkan paradigma pengiriman pesan untuk menghasilkan embedding node ekspresif untuk berbagai tugas hilir. * Praktik mengkonfigurasi GNN menggunakan kerangka kerja modern untuk memecahkan masalah dunia nyata seperti sistem rekomendasi. * Teknik master untuk mengoptimalkan kinerja GNN dan mengevaluasi hasil menggunakan metrik spesifik graf. * Desain dan menerapkan model yang mampu menangani skala besar, kompleks data terstruktur. Kursus ini dimulai dengan menetapkan konsep-konsep penting teori graf dan berkembang melalui blok bangunan arsitektur GNN, berpuncak pada pola aplikasi praktis dan evaluasi kinerja. Kursus tersebut dirancang untuk pemula dalam pembelajaran mesin dan pembelajaran mendalam yang ingin memperluas pengetahuan mereka untuk analisis data terstruktur. Tidak diperlukan pengalaman sebelumnya dengan GNN, hanya keakraban dengan konsep dasar pembelajaran mendalam. Mulai membaca dan membuka potensi data terhubung.