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

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

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/NI-GNN/

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr NI-PB.2020 Počítačová bezpečnost V Není NI-ZI.2020 Znalostní inženýrství V Není NI-SPOL.2020 Nespecifikovaný/á obor/specializace studia - Unspecified Branch/Specialisation of Study V Není NI-TI.2020 Teoretická informatika V Není NI-TI.2023 Teoretická informatika V Není NI-NPVS.2020 Návrh a programování vestavných systémů V Není NI-PSS.2020 Počítačové systémy a sítě V Není NI-MI.2020 Manažerská informatika V Není NI-SI.2020 Softwarové inženýrství V Není NI-SP.2020 Systémové programování V Není NI-WI.2020 Webové inženýrství V Není NI-SP.2023 Systémové programování V Není NI-TI.2018 Teoretická informatika V Není