چند وقتی است که به همراه یکی از دوستان، درس Machine Learning with Graphs دانشگاه استنفورد را همخوانی و دنبال میکنیم. چند نکته به نظرم رسید که مناسب دیدم اینجا یادداشت کنم.
- همان طور که در خود درس گفته شده است “گرافها مرزهای جدید یادگیری عمیق (ِِDeep Learning) هستند“
- چرا گراف؟ گراف، زبانی عمومی برای توصیف و تحلیل موجودیتها و روابط / تعاملات بین آنهاست.
- آموختن یادگیری ماشین گرافی برای من به مراتب دشوارتر از یادگیری ماشین رایج و غیرگرافی است.
- کاربردهای یادگیری ماشین با گراف “شگفتانگیز” و تا حدی “ترسناک” است. باور کنید!
در اینجا فهرستی از نمونه کاربردهای یادگیری ماشین با گراف را میتوانید ببینید.
- Node classification: Predict a property of a node /Example: Categorize online users-items
- Link prediction: Predict whether there are missing links between two nodes / Example: Knowledge graph completion
- Graph classification: Categorize different graphs / Example: Molecule property prediction–
- Clustering: Detect if nodes form a community / Example: Social circle detection
- Other tasks:
— Graph generation: Drug discovery
— Graph evolution: Physical simulation
اجازه دهید یک کار روزمره را به یک مساله گراف تبدیل کنیم:
فرض کنید که کاربران یک پیامرسان مانند تلگرام، واتس اپ یا اینستاگرام را به مانند گره گراف و پیام باز-ارسالی (فوروارد شده) از یک کاربر به کاربر دیگر را هم به مانند یال گراف و تعداد پیام باز-ارسالی رد و بدل شده را مانند وزن یال در نظر بگیریم. اگر مدلی به کمک یادگیری ماشین با گراف طراحی کنیم، به نظر شما این مدل به چه سوالاتی میتواند پاسخ دهد!
و اما آخرین نکتهی جالب: آموختم که “گوگل اولین شرکتی بود که اینترنت را یک گراف دید“!
Reading more:
CS224W: Machine Learning with Graphs, Stanford / Winter 2021 (Slides, Video)
CS224W: Machine Learning with Graphs, Stanford / Fall 2019 (Slides, Video)
گزیده:
شاید ریاضی به ما یاد ندهد که چگونه عشق را “جمع کنیم” یا نفرت را “کم کنیم”، اما به ما امید میدهد که هر مسالهای راه حلی دارد.
ناشناس (مرجع)