Kursplan fastställd 2025-02-07 av programansvarig (eller motsvarande).
Kursöversikt
- Engelskt namnMachine learning with graphs
- KurskodEEN245
- Omfattning7,5 Högskolepoäng
- ÄgareMPICT
- UtbildningsnivåAvancerad nivå
- HuvudområdeDatateknik
- InstitutionELEKTROTEKNIK
- BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd
Kurstillfälle 1
- Undervisningsspråk Engelska
- Anmälningskod 90132
- Sökbar för utbytesstudenterJa
Poängfördelning
Modul | LP1 | LP2 | LP3 | LP4 | Sommar | Ej LP | Tentamensdatum |
---|---|---|---|---|---|---|---|
0125 Tentamen 7,5 hp Betygsskala: TH | 7,5 hp |
I program
Examinator
- Alexandre Graell I Amat
- Professor, Kommunikation, Antenner och Optiska Nätverk, Elektroteknik
Behörighet
Grundläggande behörighet för avancerad nivåSökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Särskild behörighet
Engelska 6Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Kursspecifika förkunskaper
Grundläggande kunskaper i sannolikhetsteori och linjär algebra. Grundläggande förståelse för maskininlärning krävs.
Syfte
Många typer av data i verkliga världen, såsom sociala nätverk, transaktionsnätverk,biologiska vägar, kommunikationsnätverk och molekylära strukturer, är naturligt
grafstrukturerade. Traditionella metoder för maskininlärning, utformade för sekventiella data (t.ex. text) eller rutnätsstrukturerade data (t.ex. bilder), är ofta otillräckliga för att fånga de komplexa relationerna och unika egenskaperna hos grafdata.
Syftet med kursen är att ge studenter moderna tekniker för maskininlärning som är specifikt utformade för grafstrukturerade data. Studenterna kommer att få en grundläggande förståelse för kärnkoncept som grafrepresentation och graf neurala nätverk (GNN), som har blivit ett dominerande och snabbt växande paradigm för djupinlärning med grafdata. Genom praktiska projekt betonar kursen problemlösning i verkliga scenarier samtidigt som den ger studenterna en solid teoretisk grund. Efter kursen kommer studenterna att vara förberedda att använda grafbaserade maskininlärningstekniker för att lösa komplexa problem inom olika områden.
Lärandemål (efter fullgjord kurs ska studenten kunna)
Förklara de unika egenskaperna hos grafstrukturerade data och reflektera över de utmaningar de innebär för traditionella metoder för maskininlärning.
Utveckla och utvärdera nodinbäddningar för att effektivt representera grafdata för vidare användning i maskininlärningsuppgifter.
Använda GNNs för att göra bättre förutsägelser genom att dra nytta av grafstrukturerad data.
Konstruera och optimera olika arkitekturer för GNN, såsom konvolutionella och attention-baserade varianter, för tillämpningar i verkliga världen.
Förklara och analysera de matematiska principerna bakom GNN, inklusive deras uttrycksförmåga och begränsningar.
Kritiskt bedöma prestandan hos grafbaserade maskininlärningsmodeller.
Lösa ett praktiskt projekt med maskininlärning på grafer, inklusive problemformulering, implementering, utvärdering och tolkning av resultaten.
Innehåll
Introduktion till maskininlärning med grafer: Grundläggande koncept kring grafstrukturerad data, dess unika egenskaper och utmaningar inom maskininlärning.
Nodinbäddningar: Metoder för att representera noder som funktionsvektorer som fångar grafens struktur och nodspecifik information, vilket möjliggör vidare maskininlärningsuppgifter.
Graf neurala nätverk: Fördjupad genomgång av GNN-arkitekturer, inklusive konvolutionella och attention-baserade varianter, och deras tillämpningar i olika domäner.
Teori för grafneurala nätverk: Förstå de matematiska principerna bakom GNN, deras uttrycksförmåga och begränsningar.
Graftransformers: Introduktion till transformerarkitekturer anpassade för grafdata, vilket möjliggör avancerade funktioner såsom modellering av långväga beroenden.
Kunskapsgrafer: Representation och resonemangstekniker för kunskapsgrafer, inklusive deras konstruktion, inbäddningsmetoder och frågebehandling.
Djupa generativa modeller för grafer: Tekniker för att generera grafdata med hjälp av djupa inlärningsmodeller.
Organisation
Kursen består av föreläsningar, handledningstillfällen och ett avslutande hemprojekt.Litteratur
Kurslitteratur anges på kursens webbsida före kursstart.Examination inklusive obligatoriska moment
Slutbetyget (TH) baseras på poäng från inlämningsuppgifter och det avslutande hemprojektet. Projektet är obligatoriskt i den bemärkelsen att det måste godkännas för att studenten ska bli godkänd på kursen.Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om riktat pedagogiskt stöd på grund av funktionsnedsättning.