Class Central is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Politecnico di Milano

GraphAI: Machine Learning per le reti complesse

Politecnico di Milano via Polimi OPEN KNOWLEDGE

Go to class Write review
Coursera Ad

Learn AI, Data Science & Business — Earn Certificates That Get You Hired

Learn More → Noble Desktop Ad

Live Online Classes in Design, Coding & AI — Small Classes, Free Retakes

Learn More →

Overview

Google, IBM & Meta Certificates – 40% Off
One plan covers every Professional Certificate on Coursera.
Unlock All Certificates
Dai grafi complessi alle Graph Neural Networks: Machine Learning per reti reali con Python

Syllabus

  • Bacheca
  • Week 0
  • Week 1 - Fondamenti delle reti complesse
  • 1.1 Introduzione a GraphAI: Machine Learning per le reti complesse
  • 1.2 Misurare la struttura delle reti
  • 1.3 Proprietà strutturali delle reti reali
  • 1.4 Centralità, comunità e motifs
  • 1.5 Fenomeni dinamici su reti
  • 1.6 Dalle reti ai dati per l'AI
  • 1.7 Caso di studio - Esplorare una rete reale con NetworkX (Zachary's Karate Club)
  • 1.8 Approfondimenti
  • 1.9 Quiz di valutazione
  • Week 2 - Machine Learning classico e graph embeddings su reti
  • 2.1 ML classica su dati di rete
  • 2.2 Link prediction con euristiche
  • 2.3 Problemi dei metodi classici
  • 2.4 Graph embeddings: da word2vec a DeepWalk
  • 2.5 Node2vec
  • 2.6 Caso di studio - Karate Club, feature ingegnerizzate ed embeddings
  • 2.7 Approfondimenti
  • 2.8 Quiz di valutazione
  • Week 3 - Graph Neural Networks
  • 3.1 Introduzione alle Graph Neural Networks
  • 3.2 GCN, parte 1: intuizione ed esempio
  • 3.3 GCN, parte 2: collegamento alla pratica
  • 3.4 GraphSAGE: scalabilità e inductive learning
  • 3.5 GAT: attenzione sui vicini
  • 3.6 Graph Neural Networks: addestramento e valutazione
  • 3.7 Librerie e pipeline (PyTorch Geometric)
  • 3.8 Caso di studio - Scoprire comunità di ricerca con una GNN (Coauthor CS)
  • 3.9 Approfondimenti
  • 3.10 Quiz di valutazione
  • Week 4 - Reti temporali e modelli sequenziali
  • 4.1 Dai grafi statici alle reti temporali
  • 4.2 Perché servono i modelli sequenziali?
  • 4.3 RNN base
  • 4.4 Gating, parte 1: l'idea
  • 4.5 LSTM: memoria a lungo termine
  • 4.6 GRU: struttura e scelte pragmatiche
  • 4.7 Temporal GNN
  • 4.8 Dai grafi statici ai sistemi dinamici: dove andiamo da qui?
  • 4.9 Caso di studio - Temporal GNN su rete di traffico
  • 4.10 Approfondimenti
  • 4.11 Quiz di valutazione
  • Risorse aggiuntive

Taught by

Giacomo Fiumara

Tags

Reviews

Start your review of GraphAI: Machine Learning per le reti complesse

Go to class

Never Stop Learning.

Get personalized course recommendations, track subjects and courses with reminders, and more.

Sign up for free
Someone learning on their laptop while sitting on the floor.