| ... | ... | @@ -20,22 +20,22 @@ 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
|
|
|
|
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 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
|
|
|
|
extrêmement vastes : Drug design, détection de fraude, recommandation, etc.<br>
|
|
|
|
|
|
|
|
Au sommaire de cette séquence :
|
|
|
|
- Omniprésence et problématique des graphes
|
|
|
|
- Approches classiques
|
|
|
|
- Les GNN
|
|
|
|
- Cas d’usages
|
|
|
|
Vos **données** ne sont **pas naturellement ordonnées** sur une grille régulière ?<br>
|
|
|
|
Vous souhaitez représenter des **objets complexes** ou des **interactions** ?
|
|
|
|
des **molécules** ? un **réseau** ?<br>
|
|
|
|
|
|
|
|
Cette situation est probablement la votre si vous travaillez dans des domaines scientifiques tels que la **biologie**, la **chimie**, les **sciences humaines et sociales**, etc.
|
|
|
|
|
|
|
|
Face à de telles données, pas de panique :-)<br>
|
|
|
|
Vous avez la possibilité de faire du **Deep Learning** avec une famille de méthodes développées spécialement pour les graphes : **Les réseaux de neurones sur graphes (GNN)**.<br>
|
|
|
|
|
|
|
|
Durant cette séquence, nous vous présenterons les **bases** permettant d'utiliser ces GNN.
|
|
|
|
|
|
|
|
Le plan est le suivant :
|
|
|
|
- Introduction des **notions fondamentales** pour l'étude des **graphes**
|
|
|
|
- **Apprentissage** sur les graphes
|
|
|
|
- **Exemples d'architectures** (Graph Convolution Network, Message Passing, Graph attention)
|
|
|
|
- Mise en pratique avec **pytorch geometric**
|
|
|
|
|
|
|
|
Durée : 2h00
|
|
|
|
</td>
|
| ... | ... | |
