Anotácia
Grafové údaje sú všade okolo nás - akýkoľvek systém pozostávajúci z entít a vzťahov medzi nimi možno reprezentovať ako graf. Napriek tomu však boli dlho pri pokroku v oblasti hĺbkového učenia (deep learning) do značnej miery ignorované. Údaje sú v bežných informačných systémov štandardne ukladané v relačných databázach, čo tiež predstavuje istú bariériu pri spracovávaní údajov vo forme grafov. Až v posledných rokoch sa grafové neurónové siete (ďalej len "GNNs") de facto stali kľúčovým nástrojom na riešenie reálnych problémov v mnohých úplne odlišných a zdanlivo nesúvisiacich oblastiach, ako je napríklad objavovanie liekov, odporúčacie systémy, predpovedanie dopravy a mnohé ďalšie, v ktorých zlyhávajú tradičnejšie metódy.
Cieľom bakalárskej práce bude zmapovať, v ktorých oblastiach majú GNNs najväčší potenciál a aké sú ich silné a slabé stránky pri riešení problémov v týchto oblastiach. Vzhľadom na to, že obrovské množstvo údajov je uložených v relačných databázach, praktická časť bakalárskej práce sa bude venovať takzvanému relačnému hĺbkovému učeniu, ktoré využíva GNNs na učenie sa užitočných vzorov a vnorení ("embeddings") priamo z relačnej databázy bez akéhokoľvek inžinierstva vstupných premenných ("features"). Tento prístup sa porovná s inými metódami tvorby grafových údajov a ich využitia na predpovede v GNNs.