Předmět je základní jednotka výuky, jejímž prostřednictvím si student osvojí ucelenou část souboru znalostí a dovedností, potřebnou pro zvládnutí studijního oboru/specializace. Za věcný obsah předmětu zodpovídá garant předmětu. Časovou náročnost předmětu zhruba vyjadřuje atribut předmětu rozsah kontaktní výuky. Například rozsah = 2+2 značí, že předmět bude mít týdně dvě hodiny přednášek a dvě hodiny cvičení týdně. Na závěr semestru musí vyučující provést vyhodnocení, nakolik si ten který student osvojil poznatky a dovednosti, kterých měl během výuky nabýt. Jakým způsobem toto hodnocení vyučující provedou určuje atribut způsob zakončení. U předmětu lze definovat, že předmět je zakončen pouze zápočtem(Z), klasifikovaným zápočtem(KZ), pouze zkouškou(ZK), nebo zápočtem a zkouškou(Z,ZK). Náročnost úspěšného absolvování předmětu je vyjádřena ECTS kreditními body. Výuka předmětu probíhá během semestru. Opakovaně se předmět vyučuje vždy v zimním(Z), nebo v letním(L) semestru každého akademického roku. Výjimečně může předmět být nabízen studentům v obou semestrech(Z,L). Za organizační zajištění výuky zodpovídá přiřazená katedra, která zejména vytvoří časový rozvrh předmětu a zajistí pro předmět vyučující. Někteří přednáší a zkouší, jiní vedou cvičení a udělují zápočty.
Obsahová náplň a další organizační informace, týkající se předmětu je popsána pomocí různých popisných textů(anotace, týdenní osnova, literatura, apod.)
$DODATEK_POPIS
NI-GNN | Grafové neuronové sítě | Rozsah kontaktní výuky: | 1P+1C | ||
---|---|---|---|---|---|
Vyučující: | Čepek M. | Způsob zakončení: | Z,ZK | ||
Zodpovědná katedra: | 18105 | ECTS Kredity: | 4 | Semestr: | L |
Anotace:
V rámci předmětu se studenti seznámí s pokročilými technikami umělé inteligence pro práci s grafy. Přednášky se soustředí na nejnovější grafové neuronové sítě pro vytváření vektorových reprezentací uzlů, hran i celých grafů. Probírané techniky pokrývají různé typy grafů, včetně grafů proměnných v čase. Poslení část kurzu se také zabývá generování grafů a interpretabilitou grafových neuronových sítí. V rámci cvičení si studenti vyzkouší vybrané techniky a úlohy.
Osnovy přednášek:
1) | Úvod do předmětu, motivace a definice pojmů. | |
2) | Reprezentace založené na matici sousednosti a náhodných procházkách grafem. | |
3) | Konvoluční grafové neuronové sítě. | |
4) | Reprezentace grafů proměnných v čase. | |
5) | Generování a reprezentace grafů pomocí grafových autoenkodérů. | |
6) | Interpretabilita a aplikace ve zpracování přirozeného jazyka a rekomendačních systémech. |
Osnovy cvičení:
1) | Seznámení s knihovnou StellarGraph. | |
2) | Vektorová reprezentace grafů. | |
3) | Klasifikace a shlukování uzlů a grafů. | |
4) | Grafy s časovou složkou. | |
5) | Práce na semestrální úloze. | |
6) | Odevzdání práce a prezentace. |
Literatura:
Deep Learning; I. Goodfellow, Y. Bengio, A. Courville; MIT Press; 2016; ISBN 978-0262035613.
Introduction to Graph Neural Networks; Zhiyuan Liu, Jie Zhou; Morgan & Claypool Publishers; 2020; ISBN-13? 978-1681737652
Graph Representation Learning (Synthesis Lectures on Artificial Intelligence and Machine Learning); William L. Hamilton; Morgan & Claypool Publishers; 2020; ISBN? 978-1681739632
Heterogeneous Graph Representation Learning and Applications; Chuan Shi, Xiao Wang, Philip S. Yu; Springer; 2022; ISBN:? 978-9811661655
Požadavky:
žádné vstupní požadavky
|
Předmět je zahrnut do těchto studijních plánů:
|
Stránka vytvořena 27. 4. 2024, semestry: L/2023-4, L/2021-2, Z/2023-4, Z,L/2019-20, Z/2024-5, Z/2021-2, Z/2020-1, Z/2022-3, L/2020-1, L/2022-3, připomínky k informační náplni zasílejte správci studijních plánů | Návrh a realizace: J. Novák, I. Halaška |