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.
Introduit la linéarité de l'attente et la méthode du premier moment, explore les problèmes de la théorie des probabilités comme l'aiguille de Buffon et discute des tournois transitifs et des chemins du jambon.
Couvre le polynôme d'indépendance d'un graphe de dépendance et des concepts connexes tels que la coloration du graphe et les propriétés du graphe dirigé.
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 l'algorithme de Leighton-Rao pour trouver la coupe la plus clairsemée dans un graphique, en se concentrant sur ses étapes et ses fondements théoriques.
