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 — ———

Содержание курса

Разделы в курсе «Graph Neural Networks: глубокое обучение на графах» 9 разделов Уроки в курсе «Graph Neural Networks: глубокое обучение на графах» 36 уроков Тесты в курсе «Graph Neural Networks: глубокое обучение на графах» 36 тестов Время прохождения курса «Graph Neural Networks: глубокое обучение на графах» 0 ч. Последнее обновление курса «Graph Neural Networks: глубокое обучение на графах» обн. 30 марта 2026

1. Почему графы важны в ML

4 урока
Закрытый
1.1 Введение: как мы будем изучать GNN ↗
0
0
-
0
Закрытый
1.2 Граф как тип данных: мотивация и постановки ↗
0
0
-
0
Закрытый
1.3 Постановка задачи: что предсказываем на графе ↗
0
0
-
0
Закрытый
1.4 Данные и формат: как граф выглядит в коде ↗
0
0
-
0

2. Базовые понятия графов (без перегруза)

4 урока
Закрытый
2.1 Directed/undirected: как это влияет на задачу ↗
0
0
-
0
Закрытый
2.2 Веса и типы связей: что хранить на рёбрах ↗
0
0
-
0
Закрытый
2.3 Матрица смежности и разреженные представления ↗
0
0
-
0
Закрытый
2.4 Лапласиан и центральности: полезная интуиция ↗
0
0
-
0

3. Message Passing Framework

4 урока
Закрытый
3.1 Интуиция агрегации соседей ↗
0
0
-
0
Закрытый
3.2 Permutation invariance и выбор агрегации ↗
0
0
-
0
Закрытый
3.3 Один шаг message passing: message → aggregate → update ↗
0
0
-
0
Закрытый
3.4 Контекст по слоям: receptive field и риски ↗
0
0
-
0

4. GCN (Graph Convolutional Networks)

4 урока
Закрытый
4.1 GCN как сглаживание по соседям ↗
0
0
-
0
Закрытый
4.2 Нормализация и self-loops: зачем нужны ↗
0
0
-
0
Закрытый
4.3 Ограничения GCN: глубина и oversmoothing ↗
0
0
-
0
Закрытый
4.4 Кейс: node classification на графе цитирований ↗
0
0
-
0

5. GraphSAGE и индуктивное обучение

4 урока
Закрытый
5.1 Почему full-batch не масштабируется ↗
0
0
-
0
Закрытый
5.2 Sampling соседей: идея и схемы ↗
0
0
-
0
Закрытый
5.3 Индуктивный режим: новые узлы и подграфы ↗
0
0
-
0
Закрытый
5.4 Когда GraphSAGE лучше GCN ↗
0
0
-
0

6. Graph Attention Networks (GAT)

4 урока
Закрытый
6.1 Зачем attention на графе ↗
0
0
-
0
Закрытый
6.2 Как считаются веса внимания (интуитивно) ↗
0
0
-
0
Закрытый
6.3 Multi-head attention: несколько “взглядов” ↗
0
0
-
0
Закрытый
6.4 Цена attention: память, время, latency ↗
0
0
-
0

7. Основные задачи GNN

4 урока
Закрытый
7.1 Node classification: сигнал и утечки ↗
0
0
-
0
Закрытый
7.2 Link prediction: негативные примеры и метрики ↗
0
0
-
0
Закрытый
7.3 Graph classification: pooling и датасеты ↗
0
0
-
0
Закрытый
7.4 Кейс: fraud detection как графовая задача ↗
0
0
-
0

8. Практическая реализация

4 урока
Закрытый
8.1 PyTorch Geometric: Data и Batch ↗
0
0
-
0
Закрытый
8.2 Датасеты и сплиты без утечек ↗
0
0
-
0
Закрытый
8.3 Training loop и метрики ↗
0
0
-
0
Закрытый
8.4 Регуляризация и отладка переобучения ↗
0
0
-
0

9. Ограничения и продакшен

4 урока
Закрытый
9.1 Oversmoothing и oversquashing: симптомы и лечение ↗
0
0
-
0
Закрытый
9.2 Scaling: sampling, mini-batch и большие графы ↗
0
0
-
0
Закрытый
9.3 Distributed training и хранение графа ↗
0
0
-
0
Закрытый
9.4 Inference latency и обновление графа в онлайне ↗
0
0
-
0