课程介绍

此课程所属【人工智能职业方向】专业，专业内有不少于15门推荐课程，目前平台推出【专业课程0元学】活动，只需0元即可在所有的专业课程中任选5门学习，超值优惠，助您快速成长！点击这里了解

讲师

tigerfish: Kaisa，毕业于斯坦福大学统计系，现于硅谷著名社交网络公司任职数据科学家。曾参与多个机器学习与深度学习项目，如与美国加州大学洛杉矶分校校医院合作，通过机器学习方法对眼科手术的成功率进行建模等。

tigerfish，知名数据库网站ITPUB创始人，知名数据分析网站炼数成金创始人。数据库专家，数据分析专家，有丰富的IT领域、数学领域的知识经验。他将带领他的数据分析团队完成整个授课工作。

课程简介

图诞生为一个简洁的数学概念：节点和节点之间关系的集合。如今图已经被广泛应用于建模许多真实世界的场景——从社交网络的人际关系，到信用卡的欺诈行为监测，再到遗传学与疾病检测，图无处不在。相比于其他的数据结构，图数据的一个重要的特性：图数据包含大量有价值的关系数据。然而，许多之前的机器学习模型往往只关注每个样本的特征，而没有考虑到样本之间的关系数据或没有很好的方法来利用和建模这些关系数据。图机器学习就应运而生了。近年来图逐渐变成机器学习的一个核心热门领域，拥有巨大的理论与实际应用发展前景。
本课程将结合图机器学习的数学理论基础与实际应用基础，深入浅出，来讲解当今最炙手可热的图机器学习与深度学习模型。从图论的数学基础开始，到经典的Google发家的PageRank搜索排名算法，到对利用节点本身特征和节点之间关系对节点进行分类的机器学习算法，再到诞生于近两年的图深度神经网络模型，本课程会为大家讲解模型的理论支持，模型结构，并讨论实际应用。学员在完成本课程之后，将拥有对图数据的深刻理解，与将在科研或工作中遇到的问题使用图机器学习的思路解决的能力。

课程章节

第1课图论基础，图算法与图机器学习概况介绍
第2课链结分析（Link Analysis）：PageRank算法
第3课图的聚类分析：图网络中的社群发现，谱聚类算法
第4课图网络中的信息传递：如何对图的节点分类(Node Classification)
第5课网络表示学习：图嵌入(Graph Embedding)
第6课图神经网络 (Graph Neural Network)
第7课图的深度生成模型 (Deep Generative Models for Graphs)
第8课图的深度学习模型的应用，目前SOTA模型的限制

学费

学费: ￥400 ( 固定学费: ￥100，逆向学费: ￥300 )

新颖的课程收费形式：“逆向收费”约等于免费学习，仅收取100元固定收费+300元逆向学费，学习圆满则逆向学费全额返还给学员！

图机器学习（第一期）