Machine Learning for Graphs and Sequential Data

Worum geht's

Du lernst Methoden des Machine Learning für Graphdaten und sequentielle Daten kennen. Du verstehst Modelle für Texte und zeitliche Abläufe sowie Techniken für Netzwerke und Graphen und kannst diese auf reale Aufgaben anwenden und bewerten. Am Ende kannst du geeignete Verfahren auswählen und ihre Stärken/Schwächen für nicht-unabhängige Daten einschätzen.

Was du danach kannst

• Verstehen des Data-Mining-/Machine-Learning-Prozesses
• Anwendung von Modellen für sequentielle Daten (z. B. Markov-Modelle, HMMs, RNN/LSTM, Transformer)
• Anwendung von Methoden für Graphdaten (z. B. PageRank, Community Detection, GNNs)
• Erstellung und Bewertung von Embeddings für Wörter, Knoten und Graphen
• Einschätzung und Verbesserung der Robustheit von Modellen (inkl. adversarial examples und certifiable robustness)
• Praxisnahe Implementierung und kritische Evaluation von Algorithmen

Aus was das Modul besteht

• LectureVermittlung der theoretischen Grundlagen und Methoden
• problems for individual studyVertiefung und selbstständiges Üben der Inhalte
• assignments including project workpraktische Umsetzung, Implementierung und Evaluation

Lehrmethode

• LectureErklären der Konzepte und Modelle
• Problems for individual studySelbständiges Einüben zur Festigung des Verständnisses
• Assignments including project workAnwenden und Bewerten der Methoden in praktischen Aufgaben