Untersuchen Sie Message Passing, Graphklassifikation und relationale Vorhersagen.
Der Kurs behandelt Graph Attention, neuronales Message Passing, Knoten- und Graphklassifikation sowie die Vervollständigung multirelationaler Wissensgraphen. Sie verbinden Graphstruktur und Aggregation mit Vorhersageaufgaben und prüfen, wie Augmentation und geometrische Annahmen die Generalisierung beeinflussen. Die Graphkonstruktion wird explizit gemacht und eine Evaluation ohne Datenlecks geplant.
Eine Message-Passing-Schicht als Aggregation von Nachbarschaftsinformationen mit anschließender Aktualisierung von Knotenrepräsentationen beschreiben. Knoten-, Graph- und relationale Linkvorhersage unterscheiden und eine geeignete Aufteilung wählen. Bewerten, wie Graphkonstruktion, Klassenungleichgewicht, Augmentation und relationale Geometrie Ergebnisse beeinflussen.
Kenntnisse zu neuronalen Netzen, linearer Algebra und überwachter Klassifikation sind empfehlenswert. Adjazenzmatrizen, Embeddings und Evaluation mit Trainings-, Validierungs- und Testdaten sind hilfreich; eine Graphbibliothek ist nicht nötig.
Erfahrene Lernende, die fortgeschrittene KI-Kenntnisse vertiefen und anwenden möchten
Menschen, die am besten mit Beispielen, Anleitung und praktischen Übungen lernen
Fachleute, Kreative und unabhängige Entwickler, die wiederholbare Abläufe suchen
Lektion 1 ist kostenlos
4 lektionen · Fortgeschritten · Vollständiger Kurs.
Dieser Kurs verwendet CC BY-lizenziertes Material mit Namensnennung des Inhaltsanbieters oder Uploaders. Die Wiedergabe der Lektionen ist erst nach Anmeldung und bestandener Veröffentlichungs- und Lizenzprüfung verfügbar.