近年来，数据科学和机器学习取得了巨大进展。借助深度学习方法，许多高维学习任务（例如计算机视觉、蛋白质折叠）在适当的计算规模下也能够完成。随着研究问题的复杂深入，人们希望找到一套通用的原则系统性地研究深度学习。
几何深度学习，是从对称性和不变性的角度对广义机器学习问题进行几何统一的尝试，其原理不仅是卷积神经网络的突破性性能和图神经网络近期成功的基础，也为构建新型的、面向特定问题的归纳偏置提供了一种有原则的方法。
Michael Bronstein 是几何深度学习的先驱，他与 Joan Bruna、Taco Cohen、Petar Veličković共同撰写的《几何深度学习》是领域内的经典必读书目。
几何深度学习大师Michael Bronstein
除了出书，这几位作者还联合在非洲数学科学研究所推出的研究生培训计划 AMMI 中讲授了一门几何深度学习在线课程——GDL100。目前 2022 年的 GDL100 课程已全部上线，课程视频和讲义等资料均可免费在线查看。
课程地址：https://geometricdeeplearning.com/lectures/
2022 年的 GDL100 共包含 12 节常规课程、3 节辅导课程和 5 次专题研讨。12 节常规课程主要介绍了几何深度学习的基本概念知识，包括高维学习、几何先验知识、图与集合、网格（grid）、群、测地线（geodesic）、流形（manifold）、规范（gauge）等。3 节辅导课主要面向表达型图神经网络、群等变神经网络和几何图神经网络。
5 次专题研讨的话题分别是：
从多粒子动力学和梯度流的角度分析神经网络；
表达能力更强的 GNN 子图；
机器学习中的等变性；
神经 sheaf 扩散：从拓扑的角度分析 GNN 中的异质性和过度平滑；
使用 AlphaFold 进行高度准确的蛋白质结构预测。
以下是课程完整目录。
