Vos **données** ne sont **pas naturellement ordonnées** sur une grille régulière ?<br>
Les Réseaux **auto-encodeurs (AE)** sont particulièrement intéressants de par leur capacité à effectuer, de manières **non supervisées**, des **représentations compactes** de **données complexe**.
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.
Ils sont ainsi très utiles pour une large variété de tâches telles que la **reconstruction**, la **détection d’anomalies**, la **réduction de dimensionnalité**, le **débruitage** ou encore la **génération de données**.
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 :
Le plan est le suivant :
-Introduction des **notions fondamentales** pour l'étude des **graphes**
-Principes et architecture d'un autoencodeur (AE)
-**Apprentissage** sur les graphes
-Espace latent, convolution classiques et transposées
