logo
2.12.22 (830)

Enseignement scientifique & technique - CSC_52072_EP : Graph Machine and Deep Learning for Generative AI

Descriptif

Dans ce cours, nous vous présentons diverses méthodologies d'apprentissage automatique et d'apprentissage profond permettant de traiter des données structurées en graphes. Nous définissons les données structurées en graphes comme la combinaison d'une structure sous-jacente de graphe (ou de réseau) sur laquelle des données vectorielles sont observées au niveau des nœuds, des arêtes ou des deux. Ce type de données est fréquemment rencontré dans la pratique, ce qui a conduit à la définition d'une multitude de méthodes permettant d'en tirer des enseignements. Dans ce cours, nous passerons en revue les statistiques descriptives fondamentales des graphes et les modèles probabilistes permettant de générer des graphes ; nous vous présenterons les méthodes de noyaux de graphes, puis nous vous proposerons un aperçu complet des méthodologies d'apprentissage profond, notamment les réseaux neuronaux de graphes, entre autres. Nous terminerons le cours par une revue des applications des méthodologies présentées et par une perspective sur les défis actuels et les orientations futures dans le domaine de l'apprentissage automatique et de l'apprentissage profond sur les données structurées en graphes. L'évaluation du cours se fera à la fois par des quiz et des projets en équipe. Le cours sera dispensé en anglais.

Objectifs pédagogiques

L'objectif principal de ce cours est de présenter aux étudiants le domaine des réseaux de graphes et de l'apprentissage profond, notamment ses fondements mathématiques, la conception d'architectures et ses applications pratiques. Ce cours revêt une importance particulière compte tenu de l'ampleur actuelle des travaux menés dans ce domaine, tant en milieu industriel qu'universitaire.

Format des notes

Numérique sur 20

Littérale/grade européen

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

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 5 ECTS

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

L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 5 ECTS

Pour les étudiants du diplôme M2 DAIIG - Maj. IGD - Interaction, Graphics and Design

Le rattrapage est autorisé (Note de rattrapage conservée)
    L'UE est acquise si Note finale >= 10
    • Crédits ECTS acquis : 5 ECTS

    Pour les étudiants du diplôme M1 DAIIG - Maj. IGD - Interaction, Graphics and Design

    Le rattrapage est autorisé (Note de rattrapage conservée)
      L'UE est acquise si Note finale >= 10
      • Crédits ECTS acquis : 5 ECTS

      Programme détaillé

      Programme du cours : (des modifications peuvent intervenir au cours du semestre.) 1\. Introduction to Graph Machine Learning 2\. Graph Exploration and Traditional Graph Algorithms 3\. Graph Kernels and Similarity Measures 4\. Introduction to Graph Generative AI 5\. Graph Neural Networks 6\. The Spectral Domain of Graphs and Its Implications on GNNs 7\. Heterophily and Temporal Graphs 8\. Geometric Graphs and Applications in Biomedicine 9\. Benchmarking, Challenges and Future Directions in Graph Machine Learning

      Mots clés

      Deep Learning, Graph Neural Networks, Generative AI
      Veuillez patienter