| ... | ... | @@ -20,15 +20,15 @@ Cette formation est totalement **libre sur youtube, gratuite et ouverte à toute |
|
|
|
|
|
|
|
[<img src="uploads/7be6210ee56caf8df0e643a35076e7eb/Live-10a-xs.png" width=400px>](https://www.youtube.com/@CNRS-FIDLE)
|
|
|
|
|
|
|
|
Décrire un objet peut être très complexe. Si la représentation d'une image ou d'un signal
|
|
|
|
Décrire un **objet** peut être très **complexe**. Si la représentation d'une image ou d'un signal
|
|
|
|
peut se faire de manière relativement simple avec une matrice (tenseur) ou un vecteur,
|
|
|
|
comment représenter une molécule, un réseau ou plus généralement un système complexe
|
|
|
|
comportant des interactions ?<br>
|
|
|
|
**comment représenter une molécule ? un réseau ? ou plus généralement un système complexe,
|
|
|
|
comportant des interactions ?**<br>
|
|
|
|
|
|
|
|
Comment travailler avec de tels objets, effectuer une prédiction ou une classification ?<br>
|
|
|
|
|
|
|
|
Les Graph Neural Networks (GNN) sont des réseaux de neurones capables de travailler
|
|
|
|
avec des données représentants des graphes et leur domaines d'applications sont
|
|
|
|
Les **Graph Neural Networks (GNN)** sont des réseaux de neurones capables de travailler
|
|
|
|
avec des données représentants des **graphes** et leur domaines d'applications sont
|
|
|
|
extrêmement vastes : Drug design, détection de fraude, recommandation, etc.<br>
|
|
|
|
|
|
|
|
Au sommaire de cette séquence :
|
| ... | ... | |
