Бакалавриат
2025/2026
Глубинное обучение в анализе графовых данных
Статус:
Курс по выбору (Прикладная математика и информатика)
Где читается:
Факультет компьютерных наук
Когда читается:
4-й курс, 1, 2 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Великонивцев Федор Сергеевич
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
- 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
- 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
- Graph generative models
- Combinatorial optimization with GNNs
- Графы для рекомендаций
Промежуточная аттестация
- 2025/2026 2nd moduleВсего будет 8 домашних заданий, каждое весит 10 баллов. Каждое задание выдается на две недели. Далее в течение третьей недели накапливается штраф за опоздание: минус один балл от набранных за каждый день опоздания. После трех недель задание сдавать нельзя. Критерии оценивания Оценка определяется набранной суммой баллов за домашние задания. Критерии оценивания (в баллах, максимум 80): Отлично: 60+ Хорошо: 45 - 60 Удовлетворительно: 30 - 45 (нижняя граница включается, верхняя — не включается)
