Курс на Stepik
Обложка курса «Graph Neural Networks: глубокое обучение на графах» на Stepik
290 ₽

Graph Neural Networks: глубокое обучение на графах ★ 0.000

Открыть на
STEPIK.ORG

Практический курс по применению GNN: от интуиции message passing до задач node/link/graph и реализации в PyTorch Geometric.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Graph Neural Networks: глубокое обучение на графах»Учеников на курсе 18
Сертификаты, выданные на курсе «Graph Neural Networks: глубокое обучение на графах»Сертификатов выдано 0
Отзывы о курсе «Graph Neural Networks: глубокое обучение на графах»Отзывов получено 0
Рейтинг курса «Graph Neural Networks: глубокое обучение на графах»Рейтинг курса 0.000
Уроки в курсе «Graph Neural Networks: глубокое обучение на графах»Количество уроков 36
Тесты в курсе «Graph Neural Networks: глубокое обучение на графах»Количество квизов 36
Время прохождения курса «Graph Neural Networks: глубокое обучение на графах»Время прохождения курса —
Стоимость курса «Graph Neural Networks: глубокое обучение на графах»Стоимость курса 290 ₽ —
Обновления курса «Graph Neural Networks: глубокое обучение на графах»Обновления курса — —
Дата публикации курса «Graph Neural Networks: глубокое обучение на графах»Дата публикации курса — ———
Последнее обновление курса «Graph Neural Networks: глубокое обучение на графах»Последнее обновление — ———

Чему вы научитесь

  • Определять, когда данные являются графом и какую задачу на графе вы решаете.
  • Понимать message passing и как из локальных соседей строятся эмбеддинги.
  • Различать GCN, GraphSAGE и GAT по интуиции и по сценариям применения.
  • Ставить и оценивать задачи node classification, link prediction и graph classification.
  • Готовить графовые данные и обучать базовые модели в PyTorch Geometric / DGL.
  • Диагностировать типовые проблемы GNN: oversmoothing, утечки, дисбаланс, переобучение.
  • Понимать ограничения и масштабирование: sampling, mini-batch, распределённое обучение и latency inference.

О курсе

Практический курс по применению GNN: от интуиции message passing до задач node/link/graph и реализации в PyTorch Geometric.

Для кого этот курс

Data Scientists, ML-инженеры, исследователи и backend-разработчики (рекомендательные системы), которые хотят научиться применять GNN в реальных задачах.

Начальные требования

Понимание базовых ML-метрик, опыт с нейросетями и уверенные основы PyTorch или TensorFlow. Умение читать Python-код и запускать ноутбуки.

Преподаватели курса

Аватар Future Academy
Future Academy
Future Academy — платформа практических IT-курсов от действующих специалистов. Мы создаём структурированные программы по...
★ 4.8
14 курсов 123
→

Как проходит обучение

Каждый модуль: мотивация → ключевая идея → пример реальной задачи → практическая приземлённость → квиз для самопроверки.

Формат курса

Текстовые объяснения с интуитивными формулами, практические мини-кейсы и квизы (интерактивные задания Stepik).

Что вы получите

  • Чек‑лист: как распознать графовую задачу и выбрать постановку (node/link/graph).
  • Шаблон пайплайна: данные → Data/Batch → train loop → метрики (PyTorch-style).
  • Справочник: что выбрать (GCN vs GraphSAGE vs GAT) и какие риски учесть.
  • Набор типовых метрик и ловушек для link prediction и node classification.

Нагрузка

12–20 часов суммарно: 9 модулей с практикой и тестами.

Расскажите о курсе друзьям