程序员书库（ID：CodingBook）报道，猿妹编译自斯坦福大学相关资源。

近年来，图神经网络受到了越来越多的关注，并在文本分类、序列标注、神经机器翻译、关系抽取和事件抽取等多个领域得到了应用。

最近，斯坦福大学2019年春季课程“Machine Learning with Graphs”（基于图的机器学习）的所有PPT、讲义等教学材料已对外公开，并支持付费下载。

这门课程具体讲的是什么？

网络是建模复杂社会、技术和生物系统的重要工具。随着在线社交网络和生物医学大数据的广泛可用性，这门课程主要探讨了大规模网络带来的计算、算法和建模挑战。通过学习这门课程，学生可以掌握机器学习技术和数据挖掘工具，从而更好地理解社会、技术和自然界的运作机制。

主题包括：

• 食品网络和金融市场的稳定性与脆弱性
• 万维网的算法
• 图神经网络与表示学习
• 生物网络功能模块的识别
• 疾病爆发检测

学习这门课程需要具备哪些条件？

学习这门课程前，建议具备以下基础： - 基础的计算机科学原理知识 - 编程能力 - 基础的概率论知识 - 基础的线性代数知识

课程内容概览：

1. 课程介绍及图的结构
2. 网络的特性与随机图模型
3. 复习课：Snap.py和Google Cloud教程
4. 网络中的主题与结构角色
5. 网络中的社区结构
6. 复习课：线性代数、概率论和证明技术
7. 谱聚类
8. 信息传递与节点分类
9. 图表示学习
10. 图神经网络
11. 图神经网络实战
12. 图的深度生成模型
13. 链接分析：PageRank
14. 网络效应与级联行为
15. 概率传播与影响力模型
16. 网络中的影响力最大化
17. 网络中的疫情检测
18. 网络演化
19. 知识图谱推理
20. 图神经网络的局限性
21. 图神经网络的应用

辅助阅读材料：

• 《网络、人群和市场》，作者：David Easley 和 Jon Kleinberg，下载地址：http://www.cs.cornell.edu/home/kleinber/networks-book/
• 《网络科学》，作者：Albert-László Barabási，下载地址：http://networksciencebook.com/

教师团队

这门课程由斯坦福大学计算机科学系副教授Jurij Leskovec和计算机科学博士后研究员Michele Catasta共同授课。此外，还有一支由8名助教组成的团队协助教学。

示例内容

为了让大家感受课程内容的质量，这里展示第二章关于网络特性和随机图模型的内容节选。

完整PPT和所有材料可以从以下地址下载：http://web.stanford.edu/class/cs224w/