Importante: favor preencher o formulário de cadastro na disciplina para viabilizar o acesso ao Google Classroom (aqui)
Objetivos: Discutir ferramentas e abordagens para o tratamento de problemas envolvendo dados estruturados por meio de técnicas de Aprendizado de Máquina, com ênfase em modelos de Redes Neurais Artificiais recentes, tais como a Graph Neural Networks (GNN).
Período: 2023/1
Ementa:
Introdução aos Grafos
Redes, estruturas, regras e comunidades
Clusterização espectral
Classificação de nós e propagação de mensagens
Aprendizado de representações
Graph Neural Networks (GNN)
Tratamento de influências e evolução
Aplicações
Metodologia e Avaliação: (1) Realização de seminários temáticos pelos alunos, (2) prova, (3) produção de artigo científico, (4) apresentação de artigo científico.
Pré-requisitos: Conhecimento / experiência básica em Aprendizado de Máquina e de programação em Linguagem Python.
Bibliografia:
Deep Learning in Graphs - Ma, Y, Tang J. - Cambrige University Press, 2021 - Preprint (acessível em https://cse.msu.edu/~mayao4/dlg_book/dlg_book.pdf)
Graph Neural Networks - Foundations, Frontiers and Applications - Wu, L., Cui, P., Pei. J., Zhao, L - Springer 2022.
Introduction to Graph Neural Networks - Liu, Z., Zhou, J. - Morgan & Claypool Publishers - 2020
Graph Representation Learning - Hamilton, W.L - Morgan & Claypool - 2020 (acessível em https://www.cs.mcgill.ca/~wlh/grl_book/)
Network Science - Barabási, A. L., Pósfai, M. - Cambrige University Press - 2016 (acessível em http://networksciencebook.com/)
A First Course in Network Science - Menczer, F., C - Cambrige University Press - 2020
Deep Learning for the Life Sciences: Applying Deep Learning to Genomics, Microscopy, Drug Discovery, and More - Ramsundar, B. et al. - O'Reilly Media - 2019.
Goodfellow, I. Bengio, Y. Courvile, A - Deep Learning - MIT Press - 2016.
Artigos e materiais adicionais a definir.
Video-aulas (https://www.youtube.com/playlist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn) e materiais associados do curso de Stanford Machine Learning with Graphs Winter 2021 (CS224w) (acessível em: http://snap.stanford.edu/class/cs224w-2020/).
Cronograma:
Ver documento aqui (novo em 22/05/2023).
Datas Importantes:
Prova - 03/05. Seminários individuais (duração 1h, com "upload" slides no Classroom) nos dias 29/05, 31/05 e 05/06 (dois por aula) - temas e referências iniciais (clique aqui).
Entrega de formulário de proposta de projeto - 26/04 01/05 (seguir modelo de proposta disponível aqui).
Ressubmissão de formulário de proposta de projeto revisada: 08/05.
Apresentação e entrega de artigo - 14/06.
Material do Curso:
Links dos slides e vídeos do curso de referência (CS224W Winter 2021 - atualizado em 03/05/2023)
Listas de Exercícios Computacionais - recomenda-se a realização dos exercícios COLAB 0 a 5, disponíveis em http://snap.stanford.edu/class/cs224w-2020/ (não serão avaliados).
Material complementar - recomenda-se a leitura do material complementar individualizado e disponibilizado por módulo em http://web.stanford.edu/class/cs224w/.
Histórico alterações:
[22/05/2023] Atualização de contéudo.
[03/05/2023] Diversas atualizações de conteúdo.
[06/03/2023] Inserção de informações 2023/1.