Vos données ne sont pas naturellement ordonnées sur une grille régulière ? Vous souhaitez représenter des objets complexes ou des interactions ? des molécules ? un réseau ?
Cette situation est probablement la votre si vous travaillez dans des domaines scientifiques tels que la biologie, la chimie, les sciences humaines et sociales, etc.
Face à de telles données, pas de panique :-)
Vous avez la possibilité de faire du Deep Learning avec une famille de méthodes développées spécialement pour les graphes : Les réseaux de neurones sur graphes (GNN).
Durant cette séquence, nous vous présenterons les bases permettant d’utiliser ces GNN.
Introduction des notions fondamentales pour l’étude des graphes
Apprentissage sur les graphes
Exemples d’architectures (Graph Convolution Network, Message Passing, Graph attention)
Mise en pratique avec pytorch geometric
