Untersuchen Sie Entitäts- und Relationsrepräsentationen, schema-aware Vervollständigung, effiziente Embeddings und eine fundierte Link-Prediction-Evaluation.
Dieser fortgeschrittene Kurs behandelt die Vervollständigung von Wissensgraphen, nicht allgemeine Graph-Neuronale-Netze. Sie verbinden strukturelle und textuelle Merkmale mit Entitäts- und Relations-Embeddings, untersuchen effiziente Ziele ohne Negativ-Sampling und schema-aware Instanzvervollständigung und prüfen Evaluationsprotokolle für Link Prediction. Im Mittelpunkt stehen Kandidatenkonstruktion, Datenleckage, Rankingmetriken und die Frage, ob die Evaluation den beabsichtigten Einsatz abbildet. Die Videos sind englischsprachig; das originale Lernmaterial ist analytische Unterstützung und kein Transkript.
Modellieren Sie Wissensgraph-Vervollständigung als Vorhersage typisierter Fakten und unterscheiden Sie sie von allgemeiner Knotenkategorisierung. Vergleichen Sie strukturelle, textangereicherte und effiziente Embedding-Verfahren und legen Sie Annahmen sowie Rechenabwägungen offen. Prüfen Sie Link-Prediction-Evaluation auf Leckage, Kandidatenverzerrung, Filterentscheidungen und Übereinstimmung von Metriken und Aussagen.
Kenntnisse in maschinellem Lernen, Vektorrepräsentationen und Klassifikations- oder Rankingmetriken sind empfehlenswert. Graphen und lineare Algebra sind hilfreich; Benchmark-Erfahrung mit Wissensgraphen ist nicht erforderlich.
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.