Introduccion a Graph Neural Networks y Deep Learning en Grafos

Los modelos de deep learning tradicionales sobresalen en datos en forma de cuadrícula como texto e imágenes, pero los datos del mundo real a menudo existen como redes complejas de relaciones. Graph Neural Networks (GNNs) cierran esta brecha permitiéndote aplicar potentes técnicas de machine learning directamente a estructuras de grafos. Este curso basado en texto proporciona una introducción clara, paso a paso, a la representación, el procesamiento y la predicción en datos relacionales. Comenzarás con la teoría de grafos fundamental y técnicas de representación antes de adentrarte en las arquitecturas de red principales. Al final de este curso, entenderás cómo fluye la información a través de nodos y aristas, lo que te permitirá diseñar y evaluar modelos GNN para aplicaciones del mundo real. Lo que aprenderás: - Comprender conceptos fundamentales de grafos, incluidas matrices de adyacencia, características de nodos y conexiones de aristas - Aprender la mecánica de message passing, funciones de agregación y técnicas de graph convolution - Explorar arquitecturas GNN estándar como Graph Convolutional Networks (GCN) y Graph Attention Networks (GAT) - Aplicar clasificación de nodos, predicción de enlaces y técnicas de representación a nivel de grafo - Implementar flujos de trabajo GNN básicos utilizando librerías modernas de Python y frameworks de deep learning - Practicar la evaluación del rendimiento de modelos y el manejo de desafíos comunes de aprendizaje en grafos como el sobre-suavizado (over-smoothing) Este curso comienza con definiciones esenciales y representaciones matemáticas de grafos, asegurando que construyas una sólida base teórica. A partir de ahí, progresarás a través de explicaciones escritas y recorridos basados en código que demuestran cómo construir, entrenar y refinar redes neuronales en datos estructurados en grafos. Este curso está diseñado para principiantes en machine learning basado en grafos, científicos de datos y desarrolladores con una comprensión básica de Python y conceptos generales de machine learning. No se requiere experiencia previa con teoría de grafos o análisis de redes avanzado. Empieza a leer hoy para liberar el poder del machine learning en datos relacionales y en red.