Bestudeer zelfgesuperviseerde doelen die representaties leren uit graafstructuur en relaties.
Onderzoek zelfgesuperviseerd leren van graafrepresentaties via adaptieve contrastieve augmentatie, multi-channel hypergraafmodellering, contextuele embeddings voor heterogene linkvoorspelling en logische-queryrepresentaties voor kennisgrafen. Je vergelijkt welke voorverschillende signalen welke structuur behouden en hoe graaftype, augmentatie, geometrie en evaluatie het resultaat bepalen. De cursus benadrukt toetsing zonder lekken; een zelfgesuperviseerd doel bewijst geen algemeen bruikbare representatie. De Engelstalige video’s krijgen onafhankelijk geschreven studiemateriaal, geen transcripties.
Vergelijk contrastieve, hypergraaf-, linkvoorspellings- en logische-querysignalen naar de graafstructuur die ze behouden. Beoordeel of augmentaties en graafgeometrie passen bij de relatie en het datageneratieproces. Ontwerp evaluaties met passende achtergehouden knopen, verbindingen, queries of grafen en toets op lekkage tussen voortraining en evaluatie.
Kennis van neurale netwerken, graafdata, embeddings en begeleid leren is aanbevolen. Ervaring met adjacentiestructuren, relationele data en evaluatiesplitsingen helpt; geavanceerde topologie of een specifieke graafbibliotheek is niet vereist.
Ervaren cursisten die geavanceerde AI-vaardigheden willen verdiepen en toepassen
Mensen die het beste leren met voorbeelden, begeleide lessen en praktische oefeningen
Professionals, makers en zelfstandige bouwers die een herhaalbare werkwijze zoeken
Les 1 is gratis
4 lessen · Gevorderd · Volledige cursus.
Deze cursus gebruikt CC BY-gelicentieerd materiaal met naamsvermelding van de inhoudsprovider of uploader. Lesvideo’s zijn alleen na aanmelding beschikbaar wanneer de publicatie- en licentiecontroles zijn geslaagd.