Pentru mai multe informații despre programele profesionale și postuniversitare de inteligență artificială de la Stanford, vizitați: https://stanford.io/3pGwEKo
Jure Leskovec
Informatica, PhD
În această prelegere ne concentrăm asupra modului de reprezentare a graficelor ca matrice și discutăm despre proprietățile ulterioare pe care le putem explora. Definim noțiunea de PageRank, explorăm în continuare Random Walks și introducem Matrix Factorization ca o perspectivă pentru generarea de înglobări de noduri. Pentru prima parte a prelegerii, introducem PageRank ca metodă de clasificare a importanței nodurilor într-un grafic. Făcând acest lucru, prezentăm o formulare matriceală a PageRank și arătăm legătura cu rezolvarea distribuției staționare a unei mers aleatorii peste grafic.
Pentru a urma programul cursului și programa, vizitați:
http://web.stanford.edu/class/cs224w/
Cursuri interesante:
- Stanford CS224W: ML cu grafice | 2021 | Cursul 13.1 – Detectarea comunității în rețele
- Stanford CS224W: Învățare automată cu grafice | 2021 | Cursul 4.3 – Mers aleatoriu cu reporniri
- Stanford CS224W: ML cu grafice | 2021 | Cursul 6.1 – Introducere în rețelele neuronale grafice
- Stanford CS224W: Învățare automată cu grafice | 2021 | Cursul 5.3 – Clasificarea Colectivă
- Stanford CS224W: Învățare automată cu grafice | 2021 | Curs 6.3 – Deep Learning for Graphs
- Stanford CS224W: Învățare automată cu grafice | 2021 | Cursul 4.2 – PageRank: Cum se rezolvă?
- Stanford CS224W: ML cu grafice | 2021 | Cursul 9.1 – Cât de expresive sunt rețelele neuronale grafice
- Stanford CS224W: ML cu grafice | 2021 | Cursul 10.3 – Algoritmi de completare a graficelor de cunoștințe
- Stanford CS224W: ML cu grafice | 2021 | Cursul 15.1 – Modele generative profunde pentru grafice
- Stanford CS224W: ML cu grafice | 2021 | Cursul 10.1-Incorporarea graficelor eterogene și a cunoștințelor