×
Универзитет у Новом Саду

Предмет: Машинско учење са графовима (22.EAI038)

Основне информације:
 
Категорија Научно-стручни
Ужа научна област Примењене рачунарске науке и информатика
ЕСПБ 6

Оспособљавање студената за примену техника истраживања података и модела машинског учења у сврху проучавања мрежа и мрежних структура као алата за моделовање комплексних социјалних, технолошких и биолошких система.

Студент је упознат са техникама машинског учења и алатима за анализу података који помажу при схватању социјалних, технолошких и природних светова, проучавајући њихову основну мрежну структуру и међусобне везе.

Упознавање са структуром графова. Особине мрежа и насумичних граф модела (Random Graph Models). Структуралне улоге у мрежама. Структуре заједница у мрежама. Спектрално кластеровање. Преношење порука и класификација чворова. Учење представљања графова (Graph Representation Learning). Графовске неуронске мреже (Graph Neural Networks). Дубоки генеративни модели за графове (Deep Generative Models for Graphs). Анализа веза помоћу PageRank алгоритма. Максимизација утицаја у мрежама. Детекција наглих промена у мрежема (Outbreak Detection in Networks). Еволуција мрежа. Графови знања (Knowledge Graphs). Рачунарске и лабораторијске вежбе које прате овај курс су осмишљене на такав начин да кроз практичан рад са постојећим софтверским алатима за тренинг стандардних предиктивних модела машинког и дубоког учења (Scikit-Learn, Keras/TensorFlow ), практично примене теоријске концепте који ће бити обрађивани на предавањима. Неизоставни део предмета је самостални студентски пројекат, где је идеја да студент самостално одабере проблем који се може моделовати путем графа и решити применом одговарајућих техника машинског учења са графовима. Студент потом темељно истражује литературу на дату тему како би утврдио предности и недостатке до тада предложених решења и на основу тога, кроз консултације са предавачима, конципирао предлог пројекта. По завршетку пројекта, студент презентује своје истраживање у оквиру извештаја

Предавања се изводе уз пратеће презентације. Праћена су рачунарским вежбама које ће се ослањати на програмски језик Python и друга одговарајућа програмска окружења. Активно учење кроз пројекат и истраживање релевантних научних публикација уз редовне консултације. Рад на реалним проблемима из области машинског учења

Аутори Назив Година Издавач Језик
William L. Hamilton Graph Representation Learning 2020 Morgan & Claypool Publishers Енглески
Albert-Laszlo Barabasi Network Science 2015 Cambrdige University Press; Godina Енглески
Bharath Ramsundar, Peter Eastman, Patrick Walters and Vijay Pande Deep Learning for the Life Sciences 2019 O‘Reilly Media, Inc. Енглески
Предметна активност Предиспитна Обавезна Број поена
Предметна активност
Усмени део испита
Предиспитна
Не
Обавезна
Да
Број поена
30.00
Предметна активност
Предметни пројекат
Предиспитна
Да
Обавезна
Да
Број поена
50.00
Предметна активност
Домаћи задатак
Предиспитна
Да
Обавезна
Да
Број поена
20.00

Предавања

Предавања

Рачунарске вежбе

Рачунарске вежбе

Рачунарске вежбе