CS224W图机器学习课，斯坦福大牛主讲

博雯发自凹非寺
量子位报道 | 公众号 QbitAI

斯坦福大学的CS224W 2021冬季公开课，最近上线了。

在分析、处理大规模图形的过程中，往往在计算、算法和建模等方面充斥着挑战。

而本课程，就是针对上述的种种问题而设计，适合初学者入门，也能让有一定编码能力和数学基础的同学进行一次梳理。

主讲人为斯坦福计算机学院副教授Jure Leskovec，图表示学习方法 node2vec 和 GraphSAGE 的作者之一，GNN里一半的前沿研究和新应用都绕不开这位大佬。

顺带一提这位老师是斯洛文尼亚人，一口小弹舌毛式英语，讲起课来很有精神。

这门公开课已于今年3月底完结，课程主页上有全套课件可供下载。

20节课，读懂图机器学习和GNN

课程共20节，大家可以一边学习课程内容，一边按照日程安排里的homework（书面作业）和Colab（代码编写）来巩固练习。

一月份共6节课

第1节主要讲网络/图论的一些基本知识，包括图的四大属性，网络模型分类等知识。推荐使用官方的snap包来进行之后作业的实操；

2-3节主要讲特征学习（Motifs, Graphlets, Graph Kernels）和节点嵌入（DeepWalk, Node2Vec, Anonymous Walks）；

4-5主要讲消息传递、关系和迭代分类、PageRank链接分析；

第6节就来到了我们熟悉的GNN。

二月份共9节课。

这周刚刚更新了7-8节，主讲图神经网络、图增强，和GNN训练。

最后3月份基本上都是GNN内容。

视频录制的也很不错，不再是有些“人和ppt你只能选择看清一个”的公开课。

课程视频四月中旬才正式上线，目前每周两节持续更新中。

内容紧跟热潮

其实本门课程原来叫做Analysis of Networks，主做传统网络分析，研究图这一强大的数据结构，对样本之间的复杂关系信息进行建模。

但在实际应用里，真实图的数据量动辄上亿节点，内部拓扑结构又极为复杂，很难将传统的图分析方法如最短路径、DFS、PageRank 等算法应用到实际任务上。

因此近年来，将机器学习方法和图数据结合起来，即图机器学习，逐渐成为近年来机器学习中的一股热潮，特别是图神经网络（GNN）。

本门课程也因此改名为Machine Learning with Graphs，并于19年秋季后，增加了有关GNN的相关内容，受到了广大炼丹爱好者的高度评价。

由此可见GNN等一系列机器学习方法对传统网络分析研究的推动。

参考链接：
[1]http://web.stanford.edu/class/cs224w/index.html#schedule
[2]https://www.youtube.com/playlist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn