هدف این درس آشنا نمودن دانشجویان با مفاهیم پیشرفته و جدیدترین یافته‌ها در رایانش عصبی و یادگیری عمیق و کاربرد این روش‌ها در حل انواع مسائل است. تأکید ویژه درس بر روی اصول یادگیری روی گراف و شبکه‌های عصبی گرافی مختلف و انواع شبکه‌های مولد، مانند خودکدگذار تغییراتی، جریان‌های نرمال‌ساز، شبکه مولد تقابلی و توسعه‌های مختلف آن، و مدل‌های پخشی است. دانشجویان پروژه‌های متعددی انجام خواهند داد که با پیاده‌سازی‌ها و کاربردها بطور ملموس آشنا شوند. این درس در حقیقت مکمل درس یادگیری عمیق است.

1. مروری بر روندهای توسعه شبکه‌های عمیق و وضعیت آینده آن
2. شبکه‌های گرافی: یادگیری ماشین بر روی گراف‌ها، تعبیه گره
3. شبکه گرافی پیچشی، شبکه توجه گرافی، طراحی شبکه‌های گرافی، ساده‌سازی شبکه‌های گرافی پیچشی
4. یادگیری ارائه گراف سلسله مراتبی
5. گراف‌های ناهمگن و شبکه مبدل گراف ناهمگن
6. گراف دانش و استدلال روی گراف دانش
7. تطبیق سریع زیرگراف‌ها، مقیاس به گراف‌های بزرگ
8. مدل‌های مولد عمیق برای گراف‌ها
9. شبکه مبدل گراف، شبکه‌های گرافی آگاه از مکان و آگاه از هویت
10. مدل‌های مولد: مفاهیم و کاربردها، شبکه خودکدگذار تغییراتی، مدل‌های جریان‌های نرمال‌ساز
11. شبکه مولد تقابلی پایه (گن)، واسراشتاین گن، گن شرطی، گن رشد یابنده تدریجی، گن سبک، گن سیکلی
12. مدل‌های پخشی: مبانی ریاضی، آموزش و کاربردها

• تمرین‌ها و پروژه: ۳۰ درصد نمره
• آزمون‌های میان‌ترم و پایانی: ۵۰ درصد نمره
• پروژه پژوهشی: ۲۰ درصد نمره