اپلیکیشن اندرویدی فلش‌کارت آموزشی پیش‌بینی الگو با شبکه‌های عصبی گراف (GNN)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی الگو با شبکه‌های عصبی گراف (GNN)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی و یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و شبکه‌های عصبی
• 2. مفاهیم پایهٔ گراف در علم داده
• 3. نمایش گراف‌ها: ماتریس مجاورت و لیست مجاورت
• 4. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 5. لایه‌های شبکه‌های عصبی و توابع فعال‌سازی
• 6. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 7. بهینه‌سازی در شبکه‌های عصبی: گرادیان کاهشی
• 8. شبکه‌های عصبی کانولوشنی (CNN) و کاربردهایشان
• 9. شبکه‌های عصبی بازگشتی (RNN) و پردازش توالی
• 10. شبکه‌های عصبی گراف (GNN): معرفی و انگیزه
• 11. ساختار پایه‌ای شبکه‌های عصبی گراف
• 12. انتشار پیام در GNNها
• 13. نگاشت‌برداری از گراف به بردار (Graph Embedding)
• 14. مدل‌های GNN ساده: Graph Convolutional Networks (GCN)
• 15. لایه‌های GCN و انتشار اطلاعات
• 16. کاربرد GCN در طبقه‌بندی گره‌ها
• 17. کاربرد GCN در طبقه‌بندی یال‌ها
• 18. کاربرد GCN در طبقه‌بندی گراف‌ها
• 19. شبکه‌های عصبی گراف فضایی (Spatial GNNs)
• 20. شبکه‌های عصبی گراف طیفی (Spectral GNNs)
• 21. تفاوت رویکردهای فضایی و طیفی در GNN
• 22. معماری‌های پیشرفتهٔ GNN
• 23. Graph Attention Networks (GAT)
• 24. مکانیزم توجه در GAT
• 25. کاربرد GAT در پیش‌بینی خواص مولکولی
• 26. شبکه‌های عصبی گراف با حافظه (Memory GNNs)
• 27. شبکه‌های عصبی گراف با گیت (Gated GNNs)
• 28. شبکه‌های عصبی گراف برای پیش‌بینی تعاملات
• 29. پیش‌بینی الگوهای مولکولی (Motif Prediction)
• 30. تعریف الگو در گراف‌ها
• 31. اهمیت پیش‌بینی الگو در شیمی و زیست‌شناسی
• 32. روش‌های سنتی پیش‌بینی الگو
• 33. چالش‌های پیش‌بینی الگو با روش‌های کلاسیک
• 34. کاربرد GNN در پیش‌بینی الگو
• 35. پیش‌پردازش داده‌های گراف برای GNN
• 36. ساخت گراف از داده‌های مولکولی
• 37. ویژگی‌های گره و یال در گراف‌های مولکولی
• 38. نمایش مولکول‌ها به صورت گراف
• 39. استخراج ویژگی‌های مولکولی با GNN
• 40. آموزش مدل GNN برای پیش‌بینی الگو
• 41. تابع هزینه برای پیش‌بینی الگو
• 42. ارزیابی عملکرد مدل GNN
• 43. معیارهای ارزیابی در پیش‌بینی الگو
• 44. داده‌کاوی گراف و کشف دانش
• 45. کاربرد GNN در کشف الگوهای پنهان
• 46. پیش‌بینی خواص فیزیکی و شیمیایی با GNN
• 47. پیش‌بینی فعالیت دارویی با GNN
• 48. طراحی مولکول‌های جدید با GNN
• 49. شبکه‌های عصبی گراف ترنسفورمر
• 50. کاربرد ترنسفورمر در پردازش گراف
• 51. GNNهای چندگراف (Multi-graph GNNs)
• 52. GNNهای دینامیک (Dynamic GNNs)
• 53. GNNهای پویا و تجزیه و تحلیل شبکه‌های در حال تغییر
• 54. GNNهای خودنظارتی (Self-supervised GNNs)
• 55. یادگیری نمایش گراف بدون برچسب
• 56. یادگیری نمایش گراف با استفاده از روش‌های متضاد
• 57. کاربرد GNN در سیستم‌های توصیه‌گر
• 58. توصیه‌گرهای مبتنی بر گراف
• 59. GNN و پردازش زبان طبیعی (NLP)
• 60. کاربرد GNN در تحلیل شبکه‌های اجتماعی
• 61. شناسایی جوامع در شبکه‌های اجتماعی با GNN
• 62. پیش‌بینی لینک در شبکه‌های اجتماعی
• 63. GNN در بینایی ماشین (Computer Vision)
• 64. تحلیل تصاویر با ساختارهای گراف
• 65. GNN برای پردازش داده‌های سه‌بعدی
• 66. GNN در رباتیک و کنترل
• 67. برنامه‌ریزی حرکت ربات با GNN
• 68. GNN در سیستم‌های توزیع شده
• 69. همکاری گره‌ها در شبکه‌های توزیع شده با GNN
• 70. GNN و یادگیری تقویتی (Reinforcement Learning)
• 71. ترکیب GNN و یادگیری تقویتی
• 72. ملاحظات اخلاقی در استفاده از GNN
• 73. حفظ حریم خصوصی در داده‌های گراف
• 74. سوگیری در مدل‌های GNN
• 75. تفسیرپذیری مدل‌های GNN
• 76. روش‌های توضیح‌دهنده برای GNN
• 77. چالش‌های مقیاس‌پذیری در GNN
• 78. مدل‌های GNN کارآمد و مقیاس‌پذیر
• 79. نکات پیشرفته در معماری GNN
• 80. شبکه‌های عصبی گراف با توپولوژی متغیر
• 81. GNNهای انتزاعی (Abstract GNNs)
• 82. یادگیری توابع نگاشت گراف به گراف
• 83. کاربرد GNN در تجزیه و تحلیل بیولوژیکی
• 84. پیش‌بینی برهم‌کنش پروتئین-پروتئین
• 85. GNN در کشف دارو
• 86. کاربرد GNN در بهینه‌سازی
• 87. حل مسائل بهینه‌سازی با GNN
• 88. GNN در شبکه‌های ارتباطی
• 89. تحلیل و مسیریابی در شبکه‌های ارتباطی
• 90. GNN در تحلیل داده‌های علمی
• 91. استفاده از GNN برای کشف الگو در داده‌های علمی
• 92. مباحث پیشرفته در نمایش گراف
• 93. روش‌های یادگیری نمایش گراف عمیق
• 94. GNNهای گراف‌-شبکه‌ای
• 95. معماری‌های ترکیبی GNN
• 96. فریم‌ورک‌های پیاده‌سازی GNN
• 97. کتابخانه‌های محبوب GNN
• 98. پیاده‌سازی GNN با PyTorch Geometric
• 99. پیاده‌سازی GNN با Deep Graph Library (DGL)
• 100. آموزش مدل GNN با استفاده از فریم‌ورک‌ها