Explore l'apprentissage à partir de données interconnectées avec des graphiques, couvrant les objectifs de recherche modernes de ML, les méthodes pionnières, les applications interdisciplinaires, et la démocratisation du graphique ML.
Explore la structure des réseaux sociaux et d'information, en se concentrant sur les composants géants, le clustering, la formation de liens et la connectivité réseau.
Couvre les propriétés stochastiques, les structures du réseau, les modèles, les statistiques, les mesures de centralité et les méthodes d'échantillonnage dans l'analyse des données du réseau.
Couvre les algorithmes de graphes élémentaires, un examen à mi-parcours sur la résolution de problèmes algorithmiques et la mesure de distance entre les chaînes.
Explore l'algorithme de modularité de Louvain pour optimiser la qualité de la communauté grâce à la modularité et ses applications dans l'analyse des réseaux sociaux.
Explore les distances sur les graphiques, les normes de coupe, les arbres de couverture, les modèles de blocs, les métriques, les normes et les ERGM dans l'analyse des données du réseau.
Explore la programmation dynamique du problème Knapsack, en discutant des stratégies, des algorithmes, de la dureté du NP et de l'analyse de la complexité temporelle.
Se penche sur l'apprentissage automatique amélioré par les graphiques, en mettant l'accent sur la détection des fraudes, la détection des logiciels malveillants et les systèmes de recommandation.