Чему вы научитесь
- 📚 Понимание графов в Data Science (зачем нужны графовые модели)
- 📚 Глубокий разбор GNN (архитектуры, особенности, математика)
- 📚 Практика с PyTorch Geometric (создание и обучение моделей)
- 📚 Оптимизация GNN (ускорение, борьба с переобучением)
- 📚Работа с динамическими графами (создание и обучение моделей)
О курсе
💁 В курсе рассматриваются методы работы с графовыми нейронными сетями (GNN) – от базовых концепций до продвинутых техник. Вы научитесь применять GNN для анализа сложных взаимосвязей в данных: социальные сети, транзакции, молекулы, рекомендательные системы.
🎯 Курс построен по принципу "от теории к практике". Мы разберём ключевые архитектуры (GCN, GAT, GraphSAGE, TGN), научимся оптимизировать модели, работать с динамическими графами и применять их в реальных задачах.
🚀 Курс не про фундаментальную теорию графов или глубокую математику, а про реальное применение графовых нейросетей в анализе данных. Поэтому он будет полезен как начинающим, так и практикующим специалистам.
🐍 Основной стек: Python
Для кого этот курс
Начальные требования
- Знание Python на базовом уровне
- Опыт работы с PyTorch или другими ML-фреймворками
- Базовое понимание теории графов (желательно, но не обязательно)
- Опыт работы с данными (NumPy, Pandas, Matplotlib)
🚀 Готовы освоить графовые нейронные сети? Тогда начинаем! 🚀
Как проходит обучение
💡 Учиться можно сразу
4-5 часов в неделю, в удобном темпе