Бакалавриат
2026/2027
Машинное обучение на графах
ID 1163568
Статус:
Курс по выбору (Прикладная математика и информатика)
Кто читает:
Базовая кафедра Яндекс
Где читается:
Факультет компьютерных наук
Когда читается:
4-й курс, 1, 2 модуль
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
5
Контактные часы:
56
Программа дисциплины
Аннотация
В данном курсе рассматриваются классические и глубинные подходы для работы с данными, имеющими графовую структуру, - такими как, например, социальные сети, дорожные графы и графы знаний. В курсе, помимо классических постановок задач из машинного обучения, будут рассмотрены и довольно важные, специфичные для области задачи - например, восстановление графа знаний и генерация графов с заданными свойствами. Особый акцент будет сделан на глубинную парадигму работы с графами: вы познакомитесь с графовыми нейронными сетями и концепцией графовых сверток.
Цель освоения дисциплины
- Понимать базовые понятия теории графов и их представления для машинного обучения.
- Знать архитектуры основных типов графовых нейронных сетей (GCN, GAT, GraphSAGE и др.).
- Уметь применять GNN для задач node-level, edge-level и graph-level классификации и регрессии.
- Понимать принципы обучения GNN, включая проблему oversmoothing и методы её решения.
- Уметь подготавливать графовые данные для обучения моделей.
- Знать современные применения GNN в различных областях (химия, рекомендации, компьютерное зрение).
- Уметь реализовывать и экспериментировать с моделями GNN с использованием фреймворков PyTorch и PyTorch Geometric.
Планируемые результаты обучения
- Познакомиться с графовыми нейронными сетями и концепцией графовых сверток
- Восстановить граф знаний и сгенерировать графы с заданными свойствами
- Работать с данными, имеющими графовую структуру
- Навык программирования на Python с использованием библиотек для глубокого обучения и работы с графами.
- Умение выбирать и применять подходящие архитектуры GNN для решения прикладных задач.
- Практическое владение PyTorch.
Содержание учебной дисциплины
- Постановка смысла применения графовых нейросетей. Повторение базовых алгоритмов на графах.
- Алгоритмы на графах и переход в графовые нейросети.
- Графовые нейросети и принципы их обучения.
- Применение графовых нейросетей в задачах Computer Vision.
- Применение графовых нейросетей в задачах Natural Language Processing.
- Графовые свертки.
- Графы знаний (Knowledge Graphs)
- Эмбеддинги на графах
- Применение графовых нейросетей в рекомендательных системах
- Разбор специфичных практических применений из последних успешных проектов (по типу уникального распознавания mnist, дорожных сетей)
- Применение графовых нейросетей в антифроде
- Генеративные графовые нейросети
- Графы для рекомендаций
- Combinatorial optimization with GNNs
- Graph generative models
- Introduction
- Classic methods for non-attributed graphs
- Graph neural networks and their expressive power
- Link prediction
- Graph classification
- Graph-based nearest neighbor search
- Introduction to network science
- Community detection
Элементы контроля
- Домашнее задание 3
- Домашнее задание
- Домашнее задание 2
- Домашнее задание 3
- Домашнее задание
- Домашнее задание 2
- Контрольная работа
- Домашнее задание
Промежуточная аттестация
- 2026/2027 2nd module0.05 * Домашнее задание 2 + 0.4 * Контрольная работа + 0.1 * Домашнее задание 3 + 0.05 * Домашнее задание + 0.1 * Домашнее задание 3 + 0.1 * Домашнее задание + 0.05 * Домашнее задание 2 + 0.05 * Домашнее задание + 0.1 * Домашнее задание
