Курс на Stepik
Обложка курса «Graph Neural Networks: глубокое обучение на графах» на Stepik
990 ₽

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 21
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 990 ₽ —
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. 12 сентября 2026

Почему графы важны в ML

4 урока
1. Введение: как мы будем изучать GNN ↗
2. Граф как тип данных: мотивация и постановки ↗
3. Постановка задачи: что предсказываем на графе ↗
4. Данные и формат: как граф выглядит в коде ↗

Базовые понятия графов (без перегруза)

4 урока
1. Directed/undirected: как это влияет на задачу ↗
2. Веса и типы связей: что хранить на рёбрах ↗
3. Матрица смежности и разреженные представления ↗
4. Лапласиан и центральности: полезная интуиция ↗

Message Passing Framework

4 урока
1. Интуиция агрегации соседей ↗
2. Permutation invariance и выбор агрегации ↗
3. Один шаг message passing: message → aggregate → update ↗
4. Контекст по слоям: receptive field и риски ↗

GCN (Graph Convolutional Networks)

4 урока
1. GCN как сглаживание по соседям ↗
2. Нормализация и self-loops: зачем нужны ↗
3. Ограничения GCN: глубина и oversmoothing ↗
4. Кейс: node classification на графе цитирований ↗

GraphSAGE и индуктивное обучение

4 урока
1. Почему full-batch не масштабируется ↗
2. Sampling соседей: идея и схемы ↗
3. Индуктивный режим: новые узлы и подграфы ↗
4. Когда GraphSAGE лучше GCN ↗

Graph Attention Networks (GAT)

4 урока
1. Зачем attention на графе ↗
2. Как считаются веса внимания (интуитивно) ↗
3. Multi-head attention: несколько “взглядов” ↗
4. Цена attention: память, время, latency ↗

Основные задачи GNN

4 урока
1. Node classification: сигнал и утечки ↗
2. Link prediction: негативные примеры и метрики ↗
3. Graph classification: pooling и датасеты ↗
4. Кейс: fraud detection как графовая задача ↗

Практическая реализация

4 урока
1. PyTorch Geometric: Data и Batch ↗
2. Датасеты и сплиты без утечек ↗
3. Training loop и метрики ↗
4. Регуляризация и отладка переобучения ↗

Ограничения и продакшен

4 урока
1. Oversmoothing и oversquashing: симптомы и лечение ↗
2. Scaling: sampling, mini-batch и большие графы ↗
3. Distributed training и хранение графа ↗
4. Inference latency и обновление графа в онлайне ↗