2021 年第一个月刚刚过半，有些学校的新学期就已经开始了。
机器之心报道，作者：小舟、魔王。
图是一种强大的数据结构，可以用于建模许多真实世界的场景，图能够对样本之间的关系信息进行建模。但是真实图的数据量庞大，动辄上亿节点、而且内部拓扑结构复杂，很难将传统的图分析方法如最短路径、DFS、BFS、PageRank 等算法应用到这些任务上。因此有研究者提出将机器学习方法和图数据结合起来，即图机器学习，这逐渐成为近年来机器学习中的一股热潮，特别是图神经网络（GNN）。
此前，斯坦福大学计算机学院副教授 Jure Leskovec 等人开了一门课程——CS224W，主题是图机器学习。最近，CS224W 2021 冬季课程开课了。
课程主页：http://web.stanford.edu/class/cs224w/
这门课程主要聚焦分析大量图时所面对的计算、算法和建模挑战。通过研究底层图结构及其特征，学习者可以了解机器学习技术和数据挖掘工具，从而在多种网络中有所发现。
这门课程涉及的主题包括：表征学习和图神经网络；万维网算法；基于知识图谱的推理；影响力最大化；疾病爆发检测；社交网络分析。
预备知识
学习者需要具备以下背景知识：
基础计算机科学原理知识，能够写出不错的计算机程序；熟悉基础概率论知识；熟悉基础线性代数知识。
课程会在开始的几周内概述这些背景知识。
此外，课程网站还会定期放出讲义和阅读任务，下列书籍可作为阅读书目：
- 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
课程安排
2021 CS224W 冬季课程于 1 月 12 日正式开课，3 月 21 日结课。课程 PPT 将于每节课之前提供。
1 月份的课程包括图机器学习简介、图机器学习传统方法、节点嵌入、链接分析：PageRank、面向节点分类的标签传播算法和 GNN 模型的基本内容。
2 月份的课程将讲授图神经网络的设计空间、应用与理论，知识图谱嵌入，基于知识图谱的推理，借助 GNN 进行频繁子图挖掘，网络中的社区结构，传统图生成模型。
3 月份课程的内容主要包括图深度生成模型、GNN 的扩展、动态图上的学习、用于计算生物学的 GNN、科学领域的 GNN，以及 GNN 的行业应用。
讲师简介
课程主讲人 Jure Leskovec 是斯坦福大学计算机科学副教授，也是图表示学习方法 node2vec 和 GraphSAGE 的作者之一。他主要的研究兴趣是社会信息网络的挖掘和建模等，特别是针对大规模数据、网络和媒体数据。据 Google Scholar 显示，Jure Leskovec 发表论文 400 余篇，被引用次数超过 77000 次，h 指数为 111。其论文多次发表在 Nature、NeurIPS、KDD、ICML 等期刊和学术会议上，并两次获得 KDD 时间检验奖。
此前，他还曾参与斯坦福知识图谱课程的授课工作。
来源：oschina
链接：https://my.oschina.net/u/4376318/blog/4912953