作者｜小舟、魔王
來源｜機器之心
2021 年第一個月剛剛過半，有些學校的新學期就已經開始了。
圖是一種強大的數據結構，可以用於建模許多真實世界的場景，圖能夠對樣本之間的關係信息進行建模。但是真實圖的數據量龐大，動輒上億節點、而且內部拓撲結構複雜，很難將傳統的圖分析方法如最短路徑、DFS、BFS、PageRank 等算法應用到這些任務上。因此有研究者提出將機器學習方法和圖數據結合起來，即圖機器學習，這逐漸成爲近年來機器學習中的一股熱潮，特別是圖神經網絡（GNN）。
此前，斯坦福大學計算機學院副教授 Jure Leskovec 等人開了一門課程——CS224W，主題是圖機器學習。最近，CS224W 2021 冬季課程開課了。
課程主頁：
http://web.stanford.edu/class/cs224w/
這門課程主要聚焦分析大量圖時所面對的計算、算法和建模挑戰。通過研究底層圖結構及其特徵，學習者可以瞭解機器學習技術和數據挖掘工具，從而在多種網絡中有所發現。
這門課程涉及的主題包括：表徵學習和圖神經網絡；萬維網算法；基於知識圖譜的推理；影響力最大化；疾病爆發檢測；社交網絡分析。
預備知識
學習者需要具備以下背景知識：
基礎計算機科學原理知識，能夠寫出不錯的計算機程序；
熟悉基礎概率論知識；
熟悉基礎線性代數知識。
課程會在開始的幾周內概述這些背景知識。
此外，課程網站還會定期放出講義和閱讀任務，下列書籍可作爲閱讀書目：
Graph Representation Learning 作者：William L. Hamilton；
Networks, Crowds, and Markets: Reasoning About a Highly Connected World 作者：David Easley、Jon Kleinberg
Network Science 作者：Albert-László Barabási
課程安排
2021 CS224W 冬季課程於 1 月 12 日正式開課，3 月 21 日結課。課程 PPT 將於每節課之前提供。
1 月份的課程包括圖機器學習簡介、圖機器學習傳統方法、節點嵌入、鏈接分析：PageRank、面向節點分類的標籤傳播算法和 GNN 模型的基本內容。
2 月份的課程將講授圖神經網絡的設計空間、應用與理論，知識圖譜嵌入，基於知識圖譜的推理，藉助 GNN 進行頻繁子圖挖掘，網絡中的社區結構，傳統圖生成模型。
3 月份課程的內容主要包括圖深度生成模型、GNN 的擴展、動態圖上的學習、用於計算生物學的 GNN、科學領域的 GNN，以及 GNN 的行業應用。
講師簡介
課程主講人 Jure Leskovec 是斯坦福大學計算機科學副教授，也是圖表示學習方法 node2vec 和 GraphSAGE 的作者之一。他主要的研究興趣是社會信息網絡的挖掘和建模等，特別是針對大規模數據、網絡和媒體數據。據 Google Scholar 顯示，Jure Leskovec 發表論文 400 餘篇，被引用次數超過 77000 次，h 指數爲 111。其論文多次發表在 Nature、NeurIPS、KDD、ICML 等期刊和學術會議上，並兩次獲得 KDD 時間檢驗獎。
此前，他還曾參與斯坦福知識圖譜課程的授課工作。
個人主頁：
https://cs.stanford.edu/people/jure/
????
現在，在「知乎」也能找到我們了
進入知乎首頁搜索「PaperWeekly」
點擊「關注」訂閱我們的專欄吧
關於PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公衆號後臺點擊「交流羣」，小助手將把你帶入 PaperWeekly 的交流羣裏。
