Décrire un **objet** peut être très **complexe**. Si la représentation d'une image ou d'un signal
Vos **données** ne sont **pas naturellement ordonnées** sur une grille régulière ?<br>
peut se faire de manière relativement simple avec une matrice (tenseur) ou un vecteur,
Vous souhaitez représenter des **objets complexes** ou des **interactions** ?
**comment représenter une molécule ? un réseau ? ou plus généralement un système complexe,
des **molécules** ? un **réseau** ?<br>
comportant des interactions ?**<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.
Comment travailler avec de tels objets, effectuer une prédiction ou une classification ?<br>
Face à de telles données, pas de panique :-)<br>
Les **Graph Neural Networks (GNN)** sont des réseaux de neurones capables de travailler
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>
avec des données représentants des **graphes** et leur domaines d'applications sont
extrêmement vastes : Drug design, détection de fraude, recommandation, etc.<br>
Durant cette séquence, nous vous présenterons les **bases** permettant d'utiliser ces GNN.
Au sommaire de cette séquence :
Le plan est le suivant :
-Omniprésence et problématique des graphes
-Introduction des **notions fondamentales** pour l'étude des **graphes**
