课程简介

课程内容

网络经常被用作工具，以建模复杂的社会、技术和生物系统。这门课程将大规模数据应用于线上社交网络和生物科学，分析大型网络。这些网络提出了关于计算、算法和建模方面的挑战。

通过这门课程，学生可以深入了解大型网络的基础结构及其互联方式，掌握机器学习技术和数据挖掘工具。这些技术和工具有助于更好地理解社会、技术和自然世界。

主要课程主题

• 万维网的算法
• 图神经网络和表示学习
• 生物网络中功能模块的识别
• 疫情检测
• 食物网络和金融市场的稳定性和脆弱性

课程大纲

1. 课程介绍
2. 图（Graphs）的结构及网络属性
3. 随机图模型
4. 复习课：Snap.py和Google Cloud教程
5. 网络中的主题和结构角色
6. 网络中的社区结构
7. 复习课：线性代数、概率论和证明技术
8. 谱聚类
9. 信息传递和节点分类
10. 图表示学习
11. 图神经网络
12. 图神经网络：实践练习
13. 图的深度生成模型
14. 链接分析：PageRank
15. 网络效应和级联行为
16. 概率传染和影响力模型
17. 网络中的影响力最大化
18. 网络中的疫情检测
19. 网络演化
20. 知识图推理
21. 图神经网络的局限性
22. 图神经网络的应用

讲师介绍和课前准备

主要讲师

这门课程的主要讲师是斯坦福大学计算机科学副教授Jurij Leskovec。他在卡内基梅隆大学获得了计算机博士学位，研究方向包括大型社交和信息网络的分析与建模，重点研究网络结构的统计建模、网络演化、信息传播和网络影响等方面。

助教团队

这门课程还有八名助教，其中一位是计算机科学博士后研究员Michele Catasta。

必备知识

• 基础的计算机科学原理，能够编写一般程序
• 基本的概率论知识
• 基础的线性代数知识

推荐课前阅读

• 《网络、人群和市场：关于高度互联世界的思考》
• 《网络社会》

课程资源

• 课程主页提供了所有课程的PPT和讲义：http://web.stanford.edu/class/cs224w/
• 《网络、人群和市场》：http://www.cs.cornell.edu/home/kleinber/networks-book/
• 《网络科学》：http://networksciencebook.com/

以上是改写后的课程内容，希望对你有所帮助。