GNNs

GNNs

Il corso mira a fornire una comprensione approfondita delle Graph Neural Networks (GNNs) attraverso lezioni teoriche e implementazioni pratiche con NumPy e PyTorch Geometric.

GNNs

Il corso mira a fornire una comprensione approfondita delle Graph Neural Networks (GNNs) attraverso lezioni teoriche e implementazioni pratiche con NumPy e PyTorch Geometric.
Panoramica

Il corso su Graph Neural Networks (GNNs) è strutturato in sette lezioni principali che coprono una vasta gamma di argomenti, partendo dalle basi della rappresentazione dei grafi fino ad arrivare ai modelli fondazionali per l’apprendimento. La prima lezione introduce i concetti fondamentali di rappresentazione dei grafi, inclusi metodi per il feature engineering per l’applicazione del machine learning tradizionale sui grafi. Nel contesto della prima lezione verranno utilizzate librerie come NumPy e NetworkX per la costruzione, la visualizzazione e l’estrazione di tali feature dai grafi. La seconda lezione riprende i principi chiave dell’apprendimento nel contesto del deep learning, focalizzandosi su concetti chiave come chain rule, discesa del gradiente e backpropagation. Il capitolo proporrà un’implementazione da zero in Numpy di questi concetti e la corrispondente implementazione in uno dei più importanti deep learning framework, ovvero PyTorch. La terza lezione offre una comprensione approfondita delle GNN, discutendo il modello encoder/decoder, le differenze tra GNN e altre tecniche per il learning sui grafi, e le peculiarità delle architetture più importanti, incluse Graph Convolutional Network (GCN), GraphSage e GAT (Graph Attention Network). L’implementazione da zero del layer di ciascuna architettura GNN verrà proposta in NumPy per permettere allo studente di comprendere i dettagli di ciascuna architettura e le loro differenze. La quarta lezione esplora la capacità espressiva delle GNN, trattando concetti come isomorfismo dei grafi, equivarianza e invariance. In questo contesto, si proporrà un’implementazione da zero di una GNN utilizzando la flessibilità di PyTorch Geometric e si confronteranno GCN e le cosiddette Graph Isomorphism Network (GIN). La quinta lezione è una sessione pratica interamente basata sul codice, utilizzando la libreria PyTorch Geometric per attività come classificazione dei nodi e dei grafi, scalabilità, explanibility, link prediction e regression. La sesta lezione si concentra sui grafi eterogenei e i KG embeddings, con implementazioni in NumPy, PyTorch e PyKEEN. Infine, la settima lezione discute in prospettiva i modelli fondazionali per l’apprendimento sui grafi.

Il corso su Graph Neural Networks (GNNs) è strutturato in sette lezioni principali che coprono una vasta gamma di argomenti, partendo dalle basi della rappresentazione dei grafi fino ad arrivare ai modelli fondazionali per l’apprendimento. La prima lezione introduce i concetti fondamentali di rappresentazione dei grafi, inclusi metodi per il feature engineering per l’applicazione del machine learning tradizionale sui grafi. Nel contesto della prima lezione verranno utilizzate librerie come NumPy e NetworkX per la costruzione, la visualizzazione e l’estrazione di tali feature dai grafi. La seconda lezione riprende i principi chiave dell’apprendimento nel contesto del deep learning, focalizzandosi su concetti chiave come chain rule, discesa del gradiente e backpropagation. Il capitolo proporrà un’implementazione da zero in Numpy di questi concetti e la corrispondente implementazione in uno dei più importanti deep learning framework, ovvero PyTorch. La terza lezione offre una comprensione approfondita delle GNN, discutendo il modello encoder/decoder, le differenze tra GNN e altre tecniche per il learning sui grafi, e le peculiarità delle architetture più importanti, incluse Graph Convolutional Network (GCN), GraphSage e GAT (Graph Attention Network). L’implementazione da zero del layer di ciascuna architettura GNN verrà proposta in NumPy per permettere allo studente di comprendere i dettagli di ciascuna architettura e le loro differenze. La quarta lezione esplora la capacità espressiva delle GNN, trattando concetti come isomorfismo dei grafi, equivarianza e invariance. In questo contesto, si proporrà un’implementazione da zero di una GNN utilizzando la flessibilità di PyTorch Geometric e si confronteranno GCN e le cosiddette Graph Isomorphism Network (GIN). La quinta lezione è una sessione pratica interamente basata sul codice, utilizzando la libreria PyTorch Geometric per attività come classificazione dei nodi e dei grafi, scalabilità, explanibility, link prediction e regression. La sesta lezione si concentra sui grafi eterogenei e i KG embeddings, con implementazioni in NumPy, PyTorch e PyKEEN. Infine, la settima lezione discute in prospettiva i modelli fondazionali per l’apprendimento sui grafi.

Cosa Imparerai nel corso?

Cosa Imparerai nel corso?

Il corso ha l’obiettivo di fornire allo studente una comprensione dettagliata e approfondita nell’ambito delle Graph Neural Networks (GNNs). Grazie a lezioni teoriche, implementazioni da zero in NumPy, fino ad arrivare all’utilizzo avanzato di librerie come PyTorch Geometric, lo studente avrà l’opportunità di comprendere nel dettaglio il funzionamento di questi modelli e di applicarli in scenari reali.

Il corso ha l’obiettivo di fornire allo studente una comprensione dettagliata e approfondita nell’ambito delle Graph Neural Networks (GNNs). Grazie a lezioni teoriche, implementazioni da zero in NumPy, fino ad arrivare all’utilizzo avanzato di librerie come PyTorch Geometric, lo studente avrà l’opportunità di comprendere nel dettaglio il funzionamento di questi modelli e di applicarli in scenari reali.

Struttura delle lezioni

Struttura delle lezioni

Le lezioni sono 100% online e saranno accompagnate da moduli e slides, oltre a molti esercizi interattivi che metteranno alla prova le tue abilità e ciò che hai appreso.

Le lezioni sono 100% online e saranno accompagnate da moduli e slides, oltre a molti esercizi interattivi che metteranno alla prova le tue abilità e ciò che hai appreso.

Chi può seguire il corso?

Chi può seguire il corso?

Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.

Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.

Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.

Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.

Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.

Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.

Programma

Grafi e Graph Neural Networks

  • I Grafi e la loro Importanza
  • Graph Learning e Graph Neural Networks
  • Quiz

Applicazioni in Bioinformatica

  • Introduzione alla Bioinformatica
  • Predire Geni Associati a Malattie con le GNNs
  • Sessione Pratica – Predire Geni Associati a Malattie con le GNNs (1)
  • Sessione Pratica – Predire Geni Associati a Malattie con le GNNs (2)
  • Quiz

Applicazioni in Chemoinformatica

  • Introduzione alla Chemoinformatica
  • Compound Activity Prediction
  • Sessione Pratica – Compound Activity Prediction usando le GNNs
  • Protein-Ligand Affinity Prediction
  • Sessione Pratica – Protein-Ligand Affinity Prediction usando le GNNs
  • Quiz

Explainability per Graph Neural Networks

  • GNNExplainer
  • Quiz
  • Introduzione agli Shapley Values
  • Quiz
  • GraphSVX
  • Quiz
  • EdgeSHAPer
  • Quiz
  • SubgraphX
  • Quiz
  • XGNN
  • Quiz
  • Metriche di Valutazione e Riepilogo
  • Quiz
  • Quiz di argomento

Explainability per GNNs in Biomedicina

  • Explainability per Disease Gene Prioritization
  • Sessione Pratica – Explainability per Disease Gene Prioritization
  • Explainability per Compound Activity Predictions
  • Sessione Pratica – Explainability per Compound Activity Predictions
  • Explainability per Compound Potency Predictions
  • Sessione Pratica – Explainability per Compound Potency Predictions
  • Quiz

Argomenti Avanzati

  • Network-Informed Adaptive Positive-Unlabeled Learning (NIAPU)
  • Network Diffusion-based e Biology-Informed Topological Features
  • Usare NIAPU con GNNs ed Explainability per Gene Discovery
  • Quiz

Certificato

  • Certificato

Grafi e Graph Neural Networks

  • I Grafi e la loro Importanza
  • Graph Learning e Graph Neural Networks
  • Quiz

Applicazioni in Bioinformatica

  • Introduzione alla Bioinformatica
  • Predire Geni Associati a Malattie con le GNNs
  • Sessione Pratica – Predire Geni Associati a Malattie con le GNNs (1)
  • Sessione Pratica – Predire Geni Associati a Malattie con le GNNs (2)
  • Quiz

Applicazioni in Chemoinformatica

  • Introduzione alla Chemoinformatica
  • Compound Activity Prediction
  • Sessione Pratica – Compound Activity Prediction usando le GNNs
  • Protein-Ligand Affinity Prediction
  • Sessione Pratica – Protein-Ligand Affinity Prediction usando le GNNs
  • Quiz

Explainability per Graph Neural Networks

  • GNNExplainer
  • Quiz
  • Introduzione agli Shapley Values
  • Quiz
  • GraphSVX
  • Quiz
  • EdgeSHAPer
  • Quiz
  • SubgraphX
  • Quiz
  • XGNN
  • Quiz
  • Metriche di Valutazione e Riepilogo
  • Quiz
  • Quiz di argomento

Explainability per GNNs in Biomedicina

  • Explainability per Disease Gene Prioritization
  • Sessione Pratica – Explainability per Disease Gene Prioritization
  • Explainability per Compound Activity Predictions
  • Sessione Pratica – Explainability per Compound Activity Predictions
  • Explainability per Compound Potency Predictions
  • Sessione Pratica – Explainability per Compound Potency Predictions
  • Quiz

Argomenti Avanzati

  • Network-Informed Adaptive Positive-Unlabeled Learning (NIAPU)
  • Network Diffusion-based e Biology-Informed Topological Features
  • Usare NIAPU con GNNs ed Explainability per Gene Discovery
  • Quiz

Certificato

  • Certificato
Docenti
futia
Descrizione Docenti

Giuseppe Futia è attualmente consulente indipendente in ambito AI, specializzato nell’utilizzo di Knowledge Graphs, Graph Neural Networks, e Large Language Models in contesti complessi e dinamici, dal supporto alla policy in ambito sanitario alla valorizzazione del patrimonio culturale. Oltre all’attività di consulenza, Giuseppe svolge attività di divulgazione multidisciplinare su queste tecnologie. E’ infatti fellow del Nexa Center for Internet & Society del Politecnico di Torino, è autore del libro Knowledge Graphs Applied, edito da Manning Publications Co., e contribuisce attivamente a Towards Data Science nel contesto della piattaforma Medium. Giuseppe ha inoltre conseguito un Dottorato in Ingegneria Informatica e dei Sistemi presso il Politenico di Torino e ha contribuito alla stesura di numerosi articoli scientifici per conferenze e riviste internazionali applicando tecnologie basate su grafi in molteplici ambiti, dalla data integration all’explainable AI.

Vantaggi
  • Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!

  • Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;

  • Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;

  • Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.

  • A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;

  • Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.

  • Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!

  • Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;

  • Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;

  • Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.

  • A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;

  • Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.

Play Video
80,00 
Durata
09:49:12
Quiz
9
Accesso life long
Certificato
slide, github, dataset
esercitazioni
Prodotti Correlati
Torna in alto