Holiday
LS II生二207 M5M6
圖結構可用來表示不同領域的許多系統,又圖神經網路是圖領域中基於深度學習的方法,因其卓越的性能與較高的可解釋性而被廣泛用於圖 分析。本課程旨在為學生建立圖神經網路的概念和方法,藉由閱讀經典文獻、指定參考書章節、口頭報告與小組討論,探討如何使用不同種 類的圖神經網路模型拿到有意義的分子圖表示與蛋白質圖表示以幫助下游與藥物預測相關的任務。
Course keywords: 圖神經網路(graph neural network), 圖表示學習(graph representation learning), 圖自編碼器(graph autoencoder), 圖注意力機制(graph attention mechanism), 藥物探索(drug discovery) 課程說明: 本課程目標為使學生了解不同種類型的圖神經網路之理論與實作,學生需要閱讀文獻、相關指定章節並上台報告 和參與討論。需與授課教師討論後加簽。 指定用書:無 參考書籍: 1. Graph Representation Learning by William L. Hamilton 2. 圖神經網路應用於藥物探索相關的期刊文章 教學方式: 學生將閱讀指定參考書章節與相關期刊文章並輪流上台報告,由指導老師帶領討論。 教學進度: 本課程將包含以下的主題 a. 不同類型圖神經網路原理 b. 圖表示學習 c. 圖神經網路應用於藥物探索 成績考核: 指定報告:50% 課堂討論:30% 出席:20% AI使用規則: 有條件開放,請註明如何使用生成式AI於課程產出。
MON | TUE | WED | THU | FRI | |
08:00108:50 | |||||
09:00209:50 | |||||
10:10311:00 | |||||
11:10412:00 | |||||
12:10n13:00 | |||||
13:20514:10 | |||||
14:20615:10 | |||||
15:30716:20 | |||||
16:30817:20 | |||||
17:30918:20 | |||||
18:30a19:20 | |||||
19:30b20:20 | |||||
20:30c21:20 |
Average Percentage 87.67
Std. Deviation 2.05
16週, 需與授課教師討論後加簽選課
-
-
-
-