Machine learning on graphs

1. Conoscenza e capacità di comprensione
Acquisire una solida comprensione teorica delle principali tecniche di machine learning applicate a dati strutturati come grafi, incluse le basi delle Graph Neural Networks, gli algoritmi di embedding e i modelli per reti eterogenee e temporali.
2. Conoscenza e capacità di comprensione applicate
Saper implementare, utilizzare e valutare algoritmi di apprendimento su grafi mediante librerie software moderne (NetworkX, DGL, PyTorch Geometric) e applicarli a problemi reali nei settori dell'informatica, biologia computazionale, economia dei dati e scienze sociali.
3. Autonomia di giudizio
Sviluppare la capacità critica di selezionare e adattare metodi di machine learning su grafi in funzione del contesto applicativo, del tipo di grafo e degli obiettivi analitici; essere in grado di valutare i risultati ottenuti e proporre miglioramenti ai modelli.
4. Abilità comunicative
Essere in grado di presentare in modo chiaro ed efficace le scelte progettuali, le metodologie adottate e i risultati ottenuti, sia in forma scritta sia orale, anche mediante la discussione di articoli scientifici.
5. Capacità di apprendimento
Sviluppare l'autonomia nello studio di metodologie avanzate e nell'aggiornamento continuo tramite letteratura scientifica, promuovendo la capacità di apprendere nuovi modelli e tecnologie emergenti nel campo dell'apprendimento automatico su grafi.

Al termine del corso, lo studente sarà in grado di:
Descrivere e spiegare i principali algoritmi di machine learning su grafi, incluse tecniche senza feature learning e modelli di graph representation learning.
Implementare e applicare tecniche di embedding per grafi utilizzando librerie Python specializzate.
Valutare le prestazioni degli algoritmi su dataset reali, identificando metriche appropriate e ottimizzando i modelli.
Progettare soluzioni a problemi pratici che richiedano l'analisi e la modellazione di dati a grafo, comprese reti eterogenee e temporali.
Analizzare criticamente articoli scientifici e implementare i metodi descritti, discutendone vantaggi, limiti e applicabilità.
Comunicare in modo chiaro le scelte metodologiche e i risultati ottenuti, sia in forma scritta che orale.