v2.11.0 (5776)

Enseignement scientifique & technique - CSC_4SD04_TP : Graph Learning

Domaine > Mathématiques, Informatique.

Illustration de la fiche

Descriptif

The course will present the main properties of real graphs and some key algorithms for sampling, ranking, classifying, representing and clustering nodes.

You will also learn how real graphs are structured, with a focus on the scale-free and small-world properties.

You will also learn how to find the most important nodes in the graph, how to detect clusters of nodes and how to classify nodes or predict new links.

A large part of the course will be devoted to programming in Python where you will have to implement and test various algorithms for analysing real datasets.

Objectifs pédagogiques

The objective is to be able to identify graph structures in data and to apply appropriate techniques for various learning tasks (prediction, ranking, clustering).

24 heures en présentiel (16 blocs ou créneaux)
réparties en:
  • Leçon : 21
  • Contrôle de connaissance : 2

38.5 heures de travail personnel estimé pour l’étudiant.

effectifs minimal / maximal:

20/

Diplôme(s) concerné(s)

Parcours de rattachement

Pour les étudiants du diplôme Echange international non diplomant

Students are supposed to have previously acquired basic knowledge in graph algorithms (search, shortest paths), probability, and Python programming.

Pour les étudiants du diplôme M2 DATAAI - Data and Artificial Intelligence

Students are supposed to have previously acquired basic knowledge in graph algorithms (search, shortest paths), probability, and Python programming.

Pour les étudiants du diplôme Diplôme d'ingénieur

Students are supposed to have previously acquired basic knowledge in graph algorithms (search, shortest paths), probability, and Python programming.

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme M2 DATAAI - Data and Artificial Intelligence

Vos modalités d'acquisition :

Exam + Quiz

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme M1 DATAAI - Data and Artificial Intelligence

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS

Pour les étudiants du diplôme Echange international non diplomant

Vos modalités d'acquisition :

Exam + Quiz

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Diplôme d'ingénieur

Vos modalités d'acquisition :

Exam + Quiz

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2.5 ECTS
  • Crédit d'UE électives acquis : 2.5

La note obtenue rentre dans le calcul de votre GPA.

Programme détaillé

* Sparse matrices
* Graph structure
* PageRank
* Clustering
* Hierarchical clustering
* Heat diffusion
* Spectral embedding
* Graph neural networks

Mots clés

Graphs, sparse matrices, ranking, clustering, embedding, graph neural networks.

Méthodes pédagogiques

Lectures + Quizzes + Labs
Veuillez patienter