UE 3.3 Machine Learning on Graphs

Cet enseignement présente un panorama des méthodes d’apprentissage  appliquées aux représentations de type graphes. Après une introduction aux représentations à base de graphes et aux algorithmes standards de manipulation de telles structures, les approches permettant le matching de graphes, le calcul de dissimilarités entre graphes ou encore le plongement de graphes dans un espace Euclidien sont abordées. Le cours se termine par une présentation des approches les plus récentes pour faire de l’apprentissage profond dans des graphes. 

L'objectif est de fournir aux étudiants une culture sur le traitement de données de type graphes, avec les méthodes à l'état de l'art.

• Posséder une connaissance des algorithmes d’optimisation combinatoire (UE2 Recherche Opérationnelle du M1 SID)
• Posséder une connaissance des modèles d’apprentissage tels que les MLP et les CNN  (UE3 Apprentissage Profond du M1 SID)

Contrôle continu

• Développer des modèles d’apprentissage sur graphes
• Adapter les modèles aux spécificités des données traitées
• Analyser les performances d’un modèle d’apprentissage