课程价格 ：
¥999.00
剩余名额
0
-
学习时长
14周/建议每周8个小时
-
答疑服务
专属微信答疑群/讲师助教均参与
-
作业批改
每章节设计作业/助教及时批改评优
-
课程有效期
一年/告别拖延，温故知新
课程价格：
￥999.00
预约下一期 *课程已报满，可预约下一期
支持花呗分期
*课程已报满，可预约下一期
- 1：开课仪式
- 第1章: 课程简介
- 第1节: 为什么要关注图深度学习
- 2：【实践】代码
- 3-1：【课件】图深度学习介绍
- 3-2：【视频】为什么要关注图深度学习
- 3-3：【资料】GNN必读的论文（推荐）
- 第2节: 图上特征学习历史
- 4：【视频】图上的特征学习历史是怎么样的
- 第3节: 课程关注内容
- 5：【视频】本课程将关注哪些内容
- 第4节: 课程形式和安排
- 6：【视频】课程形式和安排
- 第2章: 图论基础
- 7：【课件】 图论基础
- 第1节: 图的矩阵表示
- 8：【视频】图的矩阵表示
- 第2节: 图的一些性质
- 9：【视频】图的一些性质
- 第3节: 谱图论和图上的信号处理
- 10：【视频】谱图论和图上的信号处理
- 第4节: 复杂图简介
- 11：【视频】复杂图简介
- 第3章: 深度学习基础
- 12：【课件】深度学习基础
- 第1节: 深度学习简史
- 13：【视频】深度学习简史
- 第2节: 前馈神经网络
- 14：【视频】前馈神经网络
- 第3节: 神经网络的训练
- 15：【视频】神经网络的训练
- 第4节: 卷积神经网络
- 16：【视频】卷积神经网络
- 第5节: 循环神经网络
- 17：【视频】循环神经网络
- 第6节: 自编码器
- 18：【视频】自编码器
- 第7节: 实践：神经网络实现
- 19-1：【视频】PyTorch基础
- 19-2：【视频】加载数据&前馈神经网络
- 19-3：【视频】卷积神经网络(CNN)&自编码器AutoEncoder
- 19-4：【代码】Code
- 第8节: 【实践作业】第三章
- 20-1：【作业】第三章
- 20-2：第三章作业思路提示
- 第4章: 网络嵌入
- 21：【课件】 图嵌入
- 第1节: 网络嵌入模型的框架
- 22：【视频】图嵌入的通用框架
- 第2节: 简单的图嵌入
- 23：【视频】简单的图嵌入
- 第3节: 为复杂图而设计的网络嵌入方法
- 24：【视频】复杂的图嵌入
- 第4节: 实践：网络嵌入
- 25-1：【视频】网络嵌入
- 25-2：【代码】Project 2
- 第5节: 实践：作业
- 26：【作业】第四章
- 第5章: 图神经网络
- 第1节: 神经网络简介
- 第2节: 图谱论
- 第3节: 图滤波
- 第4节: 图池化
- 第5节: 实践I：GCN的实现
- 第6节: 实践II：GAT的实现
- 第7节: 实践Ⅲ：利用GCN进行节点分类和图分类
- 第8节: 实践作业
- 第6章: 图神经网络的健壮性
- 第1节: 图神经网络的健壮性探讨
- 第2节: 图对抗攻击介绍
- 第3节: 图对抗防御
- 第4节: 实践Ⅰ：DeepRobust基础
- 第5节: 实践Ⅱ：图节点攻击
- 第6节: 实践Ⅲ：图防御
- 第7节: 作业
- 第7章: 图神经网络的可拓展性
- 第1节: GNN的可拓展性介绍
- 第2节: 逐点采样法
- 第3节: 逐层采样法
- 第4节: 子图采样法
- 第8章: 图上的其他深度学习模型
- 第1节: 图上的循环神经网络
- 第2节: 图上的自编码器
- 第3节: 图上的变分自编码器
- 第4节: 图上的生成对抗网络
- 第5节: 链接预测数据集
- 第6节: 【实践】自编码器与变分编码器
- 第7节: 实践作业
- 第9章: 图神经网络在自然语言处理中的应用
- 第1节: 语义角色标注
- 第2节: 神经机器翻译
- 第3节: 关系抽取
- 第4节: 多跳问答任务
- 第5节: 知识图谱中的神经网络
- 第6节: 实践：知识图谱上的GNN
- 第7节: 实践作业
- 第10章: 图神经网络在计算机视觉中的应用
- 第1节: 视觉问答
- 第2节: 基于骨架的动作识别
- 第3节: 图像分类
- 第4节: 三维点云学习
- 第5节: 实践：GNN在图像分类上的应用
- 第6节: 实践作业
- 第11章: 图神经网络在数据挖掘中的应用
- 第1节: 万维网数据挖掘
- 第2节: 城市数据挖掘
- 第3节: 网络安全数据挖掘
- 第4节: 实践： 推荐系统数据集介绍
- 第5节: 实践：使用LightGCN进行推荐
- 第6节: 实践： 利用Heterogeneous GNN进行推荐
- 第7节: 实践作业
- 第12章: 图神经网络在医疗健康中的应用
- 第1节: 生物化学和医疗健康中的图神经网络
- 第13章: 图深度学习的高级方法
- 第1节: 更深的图神经网络
- 第2节: 图上的自监督学习发展
- 第3节: 图神经网络的表达性
- 第14章: 图深度学习的高级应用
- 第1节: 图上的组合优化问题
- 第2节: 学习程序表示
- 第3节: 物理中相互作用的动力系统的推理
