# Stanford CS224W：图机器学习（2026 秋）

- 原标题：Stanford CS224W：Machine Learning with Graphs（2026 秋）
- 类型：课程
- 来源：Stanford 课程官网
- 学期：2026 秋
- 首次精选：2026-10-29 23:09
- 分级：值得看
- 学习层级：进阶
- 主题：[neural-model-foundations](<https://oplearnx.com/md/topics/neural-model-foundations.md>)（第 35 位）
- 原文链接：[https://web.stanford.edu/class/cs224w](<https://web.stanford.edu/class/cs224w>)
- 本站页面：[https://oplearnx.com/resources/pk\_d8ba6bcb3ac9](<https://oplearnx.com/resources/pk_d8ba6bcb3ac9>)

## 摘要

斯坦福大学 CS224W 课程主页，2026 年秋季开设，讲授图机器学习。页面列出课程安排（周二、周四 15:00–16:20，NVIDIA Auditorium 线下授课）、面向注册学生的 Canvas 讲座视频、随课程进度公开的讲义与作业、答疑平台 Ed、无障碍便利申请流程与旁听申请表格，并介绍授课教师 Jure Leskovec、客座教师 Charilaos Kanatsoulis 及助教团队。材料显示非正式注册者可使用公开资源但不获评分。适合想自学图机器学习、跟进斯坦福课程公开材料的人查阅。

## 概览

- 难度：进阶
- 语言：英文
- 规模：19 讲
- 费用：部分免费

## 学完你能

- 从图结构与特征出发，理解大规模图上的计算、算法与建模挑战
- 掌握图上的表示学习方法与图神经网络的基本原理与训练方式
- 理解 GNN 的表达能力理论与图 Transformer 等更强编码器设计
- 把 GNN 用于异构网络、知识图谱、推荐系统与关系型数据库等场景
- 了解图深度生成模型与图 AI 的前沿方向

## 适合你吗

- 适合：具备基本编程能力并能写出较复杂程序的学习者
- 适合：学过基础概率论与线性代数、想进入图机器学习方向的学生
- 适合：关注 GNN、知识图谱或推荐系统等应用的研究与工程人员
- 暂不适合：完全不会编程或缺少概率、线性代数基础的人
- 暂不适合：只想要纯视频自学、无人答疑的学习者
- 暂不适合：希望获得官方成绩或证书的非注册学习者
- 需要先会：需能写较复杂的程序，并具备基础概率论与基本线性代数（课程建议 CS107/CS145、CS109/Stat116、Math 51 等，前几周复习课会概述背景）。

## 课程特点

- 内容侧重：以图上的表示学习与图神经网络为主线，兼及 Web 算法、知识图谱推理、影响最大化、疫情检测与社交网络分析。
- 练习与项目：5 个 Colab 编程练习、3 次作业（附 LaTeX 模板）、一次线下考试，以及需提交提案、里程碑与报告的课程项目。
- 投入时间：每周二、周四各一讲，3:00–4:20pm，共 19 讲；作业截止时间均为太平洋时间 23:59。
- 费用说明：讲座幻灯片与作业在课程推进中公开上线，公众可使用；视频仅在 Canvas 上对已注册的斯坦福学生开放，非注册学习者不批改作业，旁听需提交申请。

## 内容覆盖

- 第 1 讲 导论
- 第 2 讲 节点嵌入
- 第 3 讲 图神经网络
- 第 4 讲 GNN 的统一视角
- 第 5 讲 GNN 的增强与训练
- 第 6 讲 GNN 理论
- 第 7 讲 设计更强的图编码器
- 第 8 讲 图 Transformer
- 第 9 讲 异构图
- 第 10 讲 知识图谱
- 第 11 讲 面向推荐系统的 GNN
- 第 12 讲 关系型深度学习
- 第 13 讲 关系型深度学习中的高级架构
- 第 14 讲 GNN 高级专题
- 第 15 讲 走向知识图谱基础模型
- 第 16 讲 图 AI 前沿
- 第 17 讲 图 AI 前沿（二）
- 第 18 讲 图的深度生成模型
- 第 19 讲 总结

---
来源：LearnMap · 学径（https://oplearnx.com）