뒤로 가기
홈으로 이동
LearnFit
공유하기
YouTube, Understanding Graph Neural Networks | Part 1/3 - Introduction
yun님의 학습노트

Understanding Graph Neural Networks

#Graph Neural Network
#GNN
#Pytorch Geometric
#PyTorch
#Graphs
00:00이 영상에서는 그래프 데이터와 그래프 네트워크에 대해서 설명합니다.
00:28그래프 형식의 데이터에 대해서 설명합니다.
01:06여기서는 그래프를 분자구조에 빗대어 설명하는데요, 저같은 경우는 예시가 있는 게 그렇게 도움이 되진 않아서 이 부분은 살짝 건너뛰어도 될듯 합니다.
01:30그래프 데이터는 분자 구조 뿐만 아니라 어디에든 존재합니다. 그래프 데이터의 예를 소개합니다.
02:29머신러닝에서 그래프 데이터는 어떻게 사용될까요?
02:44노드 자체를 예측하는 경우에 대한 설명입니다.
02:52노드의 연결(link 또는 edge)를 예측하는 경우에 대한 설명입니다.
03:11그래프 전체를 입력으로 받아 분류하는 작업에도 사용됩니다.
03:40그래프를 단순히 Neural Networks의 입력으로 사용하면 안되는 이유에 대해서 설명합니다.
04:01첫번째 이유는 size와 shape의 문제입니다. 그래프는 이미지처럼 임의로 자르는 등의 처리를 할 수 없습니다.
04:26두번째 이유는 isomorphism이라는 그래프의 성질때문입니다.
05:01마지막 이유는 그래프의 구조는 non-euclidean이기 때문입니다.
05:36fundamental idea of gnns
05:51GNN은 노드에 대한 임베딩이라는 새로운 output을 출력합니다. 이러한 임베딩은 노드의 구조 정보(노드, 연결정보 등)를 포함합니다
06:19임베딩을 예측에 사용하는 경우
06:49또는 풀링(pooling operation) 작업에 활용합니다.
07:20여기서도 분자 구조를 예로 들어 설명하는데요, 가볍게 듣고 넘겨도 됩니다.
07:46GNN에서 edge 정보를 처리할 수 있으며 이것은 그래프 내의 노드 임베딩으로 결합됩니다.
07:53여기서는 Message Passing에 대해서 아주 잠깐 언급합니다. 앞부분에서 기본적인 GNN에 대한 이해는 완료했기 때문에 그냥 넘어가도 좋습니다.
✔ 학습 완료

이런 러닝패스는 어때요?

yun님의 다른 노트는 어때요?

yun의 프로필 이미지
yun
의 학습노트

[EdTech 입문] DKT란?_Deep Knowledge Tracing

영상 재생 모양 아이콘
Video
⏱ 핵심 스탬프
14
00:23
목차 1. DKT Model 2. DKT Model Input&Output 3. DKT 특성 및 한계
00:38
DKT 모델을 알아보자. DKT는 Knowledge Tracing에 DL을 적용시킨 모델로 학생들의 반응을 예측하는 문제에 RNN과 LSTM모델을 적용시킨 방법
👍
1
스크랩
yun의 프로필 이미지
yun
의 학습노트

기술 동향 및 현재 우리의 서비스_LearnFit 이란

영상 재생 모양 아이콘
Video
⏱ 핵심 스탬프
12
00:21
목차. 이번 영상에서는 런핏이 시작하게 된 이유와 현재 서비스에 대해서 살펴봅니다.
00:31
LearnFit의 시작 | 라이브데이터는 모든 사람이 빠르고, 완벽하게 배울 수 있기를 희망합니다.
👍
1
스크랩
👋 다양한 인사이트를 읽어보고 계신가요?
나만의 학습 기록을 남기고, 관리하고 싶다면!
다양한 전문가의 멤버십 전용 콘텐츠를 보고 싶다면!
나의 학습 내용을 공유하고, 수익을 올리고 싶다면!
3초 회원가입/로그인으로, 런핏의 커뮤니티에 여러분도 함께하세요.
3초 만에 가입하기