Dans ce cours, nous vous présentons diverses méthodologies d'apprentissage automatique et d'apprentissage profond permettant de traiter des données structurées en graphes. Nous définissons les données structurées en graphes comme la combinaison d'une structure sous-jacente de graphe (ou de réseau) sur laquelle des données vectorielles sont observées au niveau des nœuds, des arêtes ou des deux. Ce type de données est fréquemment rencontré dans la pratique, ce qui a conduit à la définition d'une multitude de méthodes permettant d'en tirer des enseignements. Dans ce cours, nous passerons en revue les statistiques descriptives fondamentales des graphes et les modèles probabilistes permettant de générer des graphes ; nous vous présenterons les méthodes de noyaux de graphes, puis nous vous proposerons un aperçu complet des méthodologies d'apprentissage profond, notamment les réseaux neuronaux de graphes, entre autres. Nous terminerons le cours par une revue des applications des méthodologies présentées et par une perspective sur les défis actuels et les orientations futures dans le domaine de l'apprentissage automatique et de l'apprentissage profond sur les données structurées en graphes.
L'évaluation du cours se fera à la fois par des quiz et des projets en équipe.
Le cours sera dispensé en anglais.
