Kurzbeschreibung

Daten in Form von Sequenzen (z.B. Text) oder Raster (z.B. Bild) stehen bisher weitgehend im Fokus des (tiefen) Maschinellen Lernens. Zur Modellierung vieler sozialer, biologischer und technischer Systeme sind aber komplexere Datenstrukturen in Form von Graphen, als Beziehungen zwischen Objekten, besser geeignet. Durch die quantitative Untersuchung von Graphenstrukturen durch Maschinelles Lernen können neue Einblicke und Antworten in den Natur-, Ingenieur- und Sozialwissenschaften gewonnen werden. Das Feld des Maschinellen Lernens mit Graphen hat sich deshalb in den letzten fünf Jahren von einem Nischenthema zu einem schnell wachsenden Teilbereich des (tiefen) Maschinellen Lernens entwickelt. Dieser Workshop gibt einen Überblick über Methoden (z.B. Graph Representation Learning, Graph Neural Networks und Deep Generative Models für Graphen) sowie deren Anwendungsbreite und technische Umsetzung in PyTorch Geometric. Der Workshop gliedert sich in 4 Teile à 45 Minuten: 1) Überblick über das Anwendungsspektrum; 2) Methodische Grundlagen und Algorithmen; 3) PyTorch Geometric als Werkzeug; 4) Spezifische Anwendungen aus Logistik und Business Analytics.

Grundlegende Kenntnisse im Maschinellen Lernen sowie Python/Py-Torch sind von Vorteil.