图神经网络

• 2.​神经网络基础

  • ​机器学习基本概念

    • ​机器学习分类

    • ​机器学习流程概述

    • ​常见的损失函数

    • ​梯度下降算法

  • ​神经网络

    • ​神经元

    • ​多层感知器

  • ​激活函数

    • ​S型激活函数

    • ​ReLU及其变种

  • ​训练神经网络

    • ​神经网络的运行过程

    • ​反向传播

    • ​优化困境

• ​3.卷积神经网络

  • ​卷积与池化

    • ​信号处理中的卷积

    • ​深度学习中的卷积操作

    • ​池化

  • ​卷积神经网络

    • ​结构

    • ​特点

  • ​特殊的卷积形式

    • ​1*1卷积

    • ​转置卷积

    • ​空洞卷积

    • ​分组卷积

    • ​深度可分类卷积

  • ​卷积网络在图像分类中的应用

    • ​VGG

    • ​Inception系列

    • ​ResNet

• ​4.表示学习

  • ​表示学习

    • ​表示学习的意义

    • ​离散表示与分布式表示

    • ​端到端的学习是一种强大的表示学习算法

  • ​基于重构损失的方法——自编码器

    • ​自编码器

    • ​正则自编码器

    • ​变分自编码器

  • ​基于对比损失的方法——Word2vec

• ​5.图信号处理与卷积神经网络

  • ​矩阵乘法的三种方式

  • ​图信号与图的拉普拉斯矩阵

  • ​图傅里叶变换

  • ​图滤波器

    • ​空域角度

    • ​频域角度

  • ​图卷积神经网络

  • ​GCN实战

• ​6.GCN的性质

  • ​GCN与CNN的联系

  • ​GCN能够对图数据进行端对端学习

  • ​GCN是一个低通滤波器

  • ​GCN的问题——过平滑

• ​7.GNN的变体与框架

  • ​GraphSAGE

    • ​采样邻居

    • ​聚合邻居

    • ​GraphSAGE算法过程

  • ​GAT

    • ​注意力机制

    • ​图注意力层

    • ​多头图注意力层

  • ​R-GCN

    • ​知识图谱

    • ​R-GCN

  • ​GNN的通用框架

    • ​MPNN

    • N​LNN

    • ​GN

  • ​GraphSAGE实战

• ​8.图分类

  • ​基于全局池化的图分类

  • ​基于层次池化的图分类

    • ​基于图坍缩的池化机制

    • ​基于TopK的池化机制

    • ​基于边收缩的池化机制

  • ​图分类实战

• ​9.基于GNN的图表示学习

• ​10.GNN的应用简介

• 1.图的概述

  • ​图的基本定义

    • 图的基本类型

    • ​邻居和度

    • ​子图与路径

  • ​图的存储与遍历

    • ​邻接矩阵与关联矩阵

    • ​图的遍历

  • ​图数据的应用场景

  • ​图数据深度学习