Explore l'apprentissage de données interconnectées à l'aide de graphiques, couvrant les défis, la conception du GNN, les paysages de recherche et la démocratisation du graphique ML.
Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.
Explore les mécanismes de régulation des gènes, y compris l'accessibilité à la chromatine, le looping de l'ADN et le rôle des facteurs de transcription dans le contrôle des fonctions cellulaires.
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.
Couvre les bases de la biophysique des polymères, y compris la modélisation de la conformation de l'ADN et le principe de Boltzmann, en mettant l'accent sur la décroissance exponentielle des corrélations entre les segments.
Introduit des réseaux neuronaux convolutionnels pour le traitement de l'image, couvrant les composants de base, les architectures et les applications pratiques, y compris la dénouement et la segmentation.