Upoznavanje sa strukturom grafova. Osobine mreža i nasumičnih graf modela (Random Graph Models). Strukturalne uloge u mrežama. Strukture zajednica u mrežama. Spektralno klasterovanje. Prenošenje poruka i klasifikacija čvorova. Učenje predstavljanja grafova (Graph Representation Learning). Grafovske neuronske mreže (Graph Neural Networks). Duboki generativni modeli za grafove (Deep Generative Models for Graphs). Analiza veza pomoću PageRank algoritma. Maksimizacija uticaja u mrežama. Detekcija naglih promena u mrežema (Outbreak Detection in Networks). Evolucija mreža. Grafovi znanja (Knowledge Graphs). Računarske i laboratorijske vežbe koje prate ovaj kurs su osmišljene na takav način da kroz praktičan rad sa postojećim softverskim alatima za trening standardnih prediktivnih modela mašinkog i dubokog učenja (Scikit-Learn, Keras/TensorFlow ), praktično primene teorijske koncepte koji će biti obrađivani na predavanjima. Neizostavni deo predmeta je samostalni studentski projekat, gde je ideja da student samostalno odabere problem koji se može modelovati putem grafa i rešiti primenom odgovarajućih tehnika mašinskog učenja sa grafovima. Student potom temeljno istražuje literaturu na datu temu kako bi utvrdio prednosti i nedostatke do tada predloženih rešenja i na osnovu toga, kroz konsultacije sa predavačima, koncipirao predlog projekta. Po završetku projekta, student prezentuje svoje istraživanje u okviru izveštaja