课程介绍
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）。
CS224W 是顶级院校斯坦福出品的图机器学习方向专业课程，对于graph方向的数据挖掘和机器学习(神经网络)有全面的知识覆盖和很高的权威度。如果大家想学习非结构化的图数据上的各类算法，本课程是最适合的课程之一。
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。多次在 Nature、NeurIPS、KDD、ICML 等期刊和学术会议上发表论文，并两次获得 KDD 时间检验奖。
课程主题
本课程着重于分析海量图形所面临的计算、算法和建模挑战，通过研究底层图结构及其特征，向学生介绍机器学习技术、数据挖掘工具。课程涉及的主题包括：
- Machine Learning for Graphs（基于图的机器学习）
- Traditional Methods for ML on Graphs（图数据上的传统方法）
- Node Embeddings（节点嵌入）
- Link Analysis: PageRank（PageRank）
- Label Propagation for Node Classification（用于节点分类的标签传播）
- Graph Neural Networks（图神经网络）
- Knowledge Graph Embeddings（知识图谱嵌入）
- Reasoning over Knowledge Graphs（基于知识图的推理）
- Frequent Subgraph Mining with GNNs（使用GNN进行频繁子图挖掘）
- Community Structure in Networks（网络中的社区结构）
- Traditional Generative Models for Graphs（图数据的传统生成模型）
- Deep Generative Models for Graphs（图数据的深度生成模型）
- Advanced Topics on GNNs（GNN 进阶专题）
- Scaling Up GNNs（大规模GNN）
- Guest Lecture: GNNs for Computational Biology（GNNs在计算生物学的应用）
- Guest Lecture: Industrial Applications of GNNs（GNNs的工业应用）
- GNNs for Science（用于科学的 GNN）
课程资料 | 下载
 |
扫描上方图片二维码，关注公众号并回复关键字 🎯『CS224W』，就可以获取整理完整的资料合辑啦！当然也可以点击 🎯 这里 查看更多课程的资料获取方式！
ShowMeAI 对课程资料进行了梳理，整理成这份完备且清晰的资料包：
- 📚 课件（PDF）。Lecture 1~20所有章节，图文结合的呈现，对于理解很有帮助。- 📚 代码及作业参考解答（.ipynb）。Colab 0~4代码，Homework 0~3作业答案。- 📚 拓展阅读 & 知识图谱资源大全。课程推荐的相关学习资源、清单。
课程视频 | B站
ShowMeAI 将视频上传至B站，并增加了中英双语字幕，以提供更加友好的学习体验。点击页面视频，可以进行预览。推荐前往 👆 B站 观看完整课程视频哦！
本门课程，ShowMeAI 将部分章节进行了切分，按照主题形成更短小的视频片段，便于按照标题进行更快速的检索。切分后的视频清单列写在这里
- 注意：章节名术语较多，未作中文翻译
| 序号 | 视频章节 | 视频清单 |
|---|---|---|
| L1 | L1.1 | Why Graphs |
| L2 | L1.2 | Applications of Graph ML |
| L3 | L1.3 | Choice of Graph Representation |
| L4 | L2.1 | Traditional Feature-based Methods- Node |
| L5 | L2.2 | Traditional Feature-based Methods- Link |
| L6 | L2.3 | Traditional Feature-based Methods_ Graph |
| L7 | L3.1 | Node Embeddings |
| L8 | L3.2 | Random Walk Approaches for Node Embeddings |
| L9 | L3.3 | Embedding Entire Graphs |
| L10 | L4.1 | PageRank |
| L11 | L4.2 | PageRankHow to Solve |
| L12 | L4.3 | Random Walk with Restarts |
| L13 | L4.4 | Matrix Factorizing and Node Embeddings |
| L14 | L5.1 | Message passing and Node Classification |
| L15 | L5.2 | Relational and Iterative Classification |
| L16 | L5.3 | Collective Classification |
| L17 | L6.1 | Graph Neural Networks Introduction |
| L18 | L6.2 | Basics of Deep Learning |
| L19 | L6.3 | Deep Learning for Graphs |
| L20 | L7.1 | A General Perspective on GNN |
| L21 | L7.2 | A Single Layer of a GNN |
| L22 | L7.3 | Stacking layers of a GNN |
| L23 | L8.1 | Graph Augmentation for GNNs |
| L24 | L8.2 | Training Graph Neural Networks |
| L25 | L8.3 | Setting up GNN Prediction Tasks |
| L26 | L9.1 | How Expressive are Graph Neural Networks |
| L27 | L9.2 | Designing the Most Powerful GNNs |
| L28 | L10.1 | Heterogeneous & Knowledge Graph Embedding |
| L29 | L10.2 | Knowledge Graphs KG Completion |
| L30 | L10.3 | Knowledge Graph Completion |
| L31 | L11.1 | Reasoning in Knowledge Graphs |
| L32 | L11.2 | Answering Predictive Queries |
| L33 | L11.3 | Query2box Reasoning over KGs |
| L34 | L12.1 | Fast Neural Subgraph Matching & Counting |
| L35 | L12.2 | Neural Subgraph Matching |
| L36 | L12.3 | Finding Frequent Subgraphs |
| L37 | L13.1 | Community Detection in Networks |
| L38 | L13.2 | Network Communities |
| L39 | L13.3 | Louvain Algorithm |
| L40 | L13.4 | Detecting Overlapping Communities |
| L41 | L14.1 | Generative Models for Graphs |
| L42 | L14.2 | Erdos Renyi Random Graphs |
| L43 | L14.3 | The Small World Model |
| L44 | L14.4 | Kronecker Graph Model |
| L45 | L15.1 | Deep Generative Models for Graphs |
| L46 | L15.2 | Graph RNN Generating Realistic Graphs |
| L47 | L15.3 | Scaling Up & Evaluating Graph Gen |
| L48 | L15.4 | Application of Deep Graph Generative |
| L49 | L16.1 | Limitations of Graph Neural Networks |
| L50 | L16.2 | Position aware Graph Neural Networks |
| L51 | L16.3 | Identity-Aware Graph Neural Networks |
| L52 | L16.4 | Robustness of Graph Neural Networks |
| L53 | L17.1 | Scaling Up Graph Neural Networks to Large Graphs |
| L54 | L17.2 | GraphSAGE Neighbor Sampling |
| L55 | L17.3 | Cluster GCN Scaling up GNNs |
| L56 | L17.4 | Scaling up by Simplifying GNNs |
| L57 | L18 | GNNs in Computational Biology |
| L58 | L19.1 | Pre Training Graph Neural Networks |
| L59 | L19.2 | Hyperbolic Graph Embeddings |
| L60 | L19.3 | Design Space of Graph Neural Networks |
根据视频内容整理的这份『CS224W 课程结构图解』，展示了内容要点及其逻辑关系，超级直观！相信对构建 Whole Picture 特别有帮助~
学习建议
- 这门课程是独立的。
- 单个Topic容易理解，但课程涉及到了很多Topic，这就导致了课程难度的增加。
- 学生应具备以下背景：
- 具备基本的计算机科学原理知识，足以编写合理的非琐碎计算机程序
- 熟悉基本的概率理论和线性代数
- 熟悉机器学习、算法与图论的基本知识
- 课程前几周的复习课将概述预期的背景
更多技术与课程清单 | 点击查看详细课程
