斯坦福CS224w图机器学习-课程学习资料
斯坦福CS224w图机器学习课程,内容覆盖图数据挖掘、Node embedding、图神经网络、知识图谱、知识推理等

关键词标签: 斯坦福, 图挖掘, 图神经网络, 知识图谱, 社区发现, 知识推理
CS224W; Machine Learning with Graphs; 图机器学习
🏆 课程学习中心 | 🚧 其他名校AI课程合辑 | 🌍 课程主页 | 📺 中英字幕视频 | 🚀 项目代码解析
Machine Learning with Graphs
图机器学习
Stanford University
斯坦福大学
CS224W
⭐⭐⭐⭐⭐


课程介绍

CS224W; Machine Learning with Graphs; 图机器学习

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; Machine Learning with Graphs; 图机器学习

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。

CS224W; Machine Learning with Graphs; 图机器学习

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:


课程资料 | 下载

CS224W; Machine Learning with Graphs; 图机器学习

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!

CS224W; Machine Learning with Graphs; 图机器学习
CS224W; Machine Learning with Graphs; 图机器学习

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:


课程视频 | B站

🌍 B站 | 【双语字幕+资料下载】斯坦福CS224W | 图机器学习(2021最新·全19讲)

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~

CS224W; Machine Learning with Graphs; 图机器学习


学习建议


更多技术与课程清单 | 点击查看详细课程

合辑 课程链接
CS数学基础课程合辑 【ENGR108】Stanford斯坦福 · 线性代数与矩阵方法导论课程
【6.042J】MIT麻省理工 · 计算机科学的数学基础课程
【MATH100】辛辛那提大学 · 微积分Ⅰ课程
【MATH101】辛辛那提大学 · 微积分Ⅱ课程
【MATH1071】辛辛那提大学 · 离散数学课程
计算机基础课程合辑 【14-455】CMU卡内基梅隆 · 数据库系统导论课程
【15-721】CMU卡内基梅隆 · 数据库系统进阶课程
【CS105】Stanford斯坦福 · 计算机科学导论课程
【CS50-CS】Harvard哈佛 · 计算机科学导论课程
【CS50-WEB】Harvard哈佛 · 基于Python / JavaScript的Web编程课程
【6.0001】MIT麻省理工 · 计算机科学与Python编程导论课程
【6.046J】MIT麻省理工 · 数据结构与算法设计课程
【18.S191】MIT麻省理工 · 计算思维导论(Julia)课程
【CMSC420】马里兰大学 · 数据结构课程
机器学习课程合辑 【AndrewNG-ML】吴恩达 · 机器学习专项课程
【CS229】Stanford斯坦福 · 机器学习课程
【6.036】MIT麻省理工 · 机器学习导论课程
深度学习课程合辑 【AndrewNG-DL】吴恩达 · 深度学习专项课程
【CS230】Stanford斯坦福 · 深度学习课程
【CSW182】Berkeley伯克利 · 深度神经网络设计、可视化与理解课程
【FSDL】Berkeley伯克利 · 全栈深度学习训练营课程
【CS50-AI】Harvard哈佛 · Python人工智能入门课程
【6.S191】MIT麻省理工 · 深度学习导论课程
【APPLY-DL】科罗拉多大学 · 应用深度学习(全知识点覆盖)课程
【STAT453】威斯康星 · 深度学习和生成模型导论课程
【T81-558】WUSTL · 深度神经网络应用案例实操课程
【HYLEE】李宏毅 · 机器学习(&深度学习)课程
NLP课程合辑 【CS224n】Stanford斯坦福 · 深度学习与自然语言处理课程
【CS124】Stanford斯坦福 · 从语言到信息课程
【CS520】Stanford斯坦福 · 知识图谱课程
【CS685】马萨诸塞大学 · 自然语言处理进阶课程
计算机视觉课程合辑 【CS231n】Stanford斯坦福 · 深度学习与计算机视觉课程
【EECS498】Michigan密歇根 · 深度学习与计算机视觉(CS231n进阶课)
【ADL4CV】慕尼黑工大 · 计算机视觉深度学习进阶课
强化学习课程合辑 【CS285】Berkeley伯克利 · 深度强化学习课程
【CS234】Stanford斯坦福 · 强化学习课程
AI生物医疗课程合辑 【6.047】MIT麻省理工 · 基因组学机器学习课程
【6.874】MIT麻省理工 · 面向生命科学的深度学习课程
【6.S897】MIT麻省理工 · 医疗机器学习课程
其他名校AI课程合辑 【CS294】Berkeley伯克利 · 深度无监督学习课程
【11-777】CMU卡内基梅隆 · 多模态机器学习课程
【15-462】CMU卡内基梅隆 · 计算机图形学课程
【CS224W】Stanford斯坦福 · 图机器学习课程
【6.S094】MIT麻省理工 · 深度学习与无人驾驶课程
【GDL】AMMI · 几何深度学习课程
CS224W; Machine Learning with Graphs; 图机器学习
*****
本文作者 韩信子
欢迎关注微信公众号 ShowMeAI研究中心 获取更多资源!