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
Acquis d'apprentissage
À l'issue de l'UE, l'élève sera capable de:
- modéliser des systèmes complexes à l'aide de graphes
- appliquer des techniques d'apprentissage sur graphes
- interpréter les résultats obtenus
Compétences de rattachement (et justification)
- BC5.2 – Concevoir un système de traitement de données, d’intelligence artificielle, d’apprentissage machine dans un objectif d’aide à la décision ou de recherche automatique d’information; Justification : L'UE amène les élèves à concevoir des systèmes d'apprentissage machine à base de graphes.
- BC4.1 – Conduire une analyse prenant en compte la complexité d’une demande ou d’une situation afin d’identifier les domaines des sciences et technologies à mobiliser; Justification : Comprendre dans quels cas utiliser une représentation d'un système par des graphes.
effectifs minimal / maximal:
20/Diplôme(s) concerné(s)
UE de rattachement
- CSC_4SDS2_TP : Filière Data Science & Artificial Intelligence (créneau C) - Semestre 2
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 20Pour les étudiants du diplôme Diplôme d'ingénieur
Vos modalités d'acquisition :
L’évaluation est basée sur :
- un examen = E
- des quiz hebdomadaires = Q
- les travaux pratiques (un rendu noté) = L
Note = 0.5*E + 0.25*Q + 0.25*L
- le rattrapage est obligatoire si :
- Note initiale < 10
Le coefficient de l'UE est : 1
Pour les étudiants du diplôme Echange international non diplomant
Vos modalités d'acquisition :
L’évaluation est basée sur :
- un examen = E
- des quiz hebdomadaires = Q
- les travaux pratiques (un rendu noté) = L
- le rattrapage est obligatoire si :
- Note initiale < 10
Le coefficient de l'UE est : 1
Programme détaillé
* Sparse matrices
* Graph structure
* PageRank
* Clustering
* Hierarchical clustering
* Heat diffusion
* Spectral embedding
* Graph neural networks
Mots clés
Graphes, Apprentissage automatiqueMéthodes pédagogiques
Cours + Quiz + TP. Chaque leçon contient un quiz permettant aux étudiants de s'auto-évaluer tout au long de l'UE. Ressources pédagogiques : transparents + notes de cours + notebooksSupport pédagogique multimédia
