دوره شبکه‌های عصبی گراف: شخصی‌سازی ارتباطات همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی گراف: شخصی‌سازی ارتباطات

موضوع کلی: هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 2. کاربردهای شبکه‌های عصبی گراف در شخصی‌سازی
• 3. مروری بر گراف‌ها و مفاهیم پایه
• 4. انواع داده‌های گراف: شبکه‌های اجتماعی، دانش‌نامه‌ها، تراکنش‌ها
• 5. نمایش گراف‌ها: ماتریس مجاورت و لیست مجاورت
• 6. چالش‌های یادگیری بر روی گراف‌ها
• 7. معماری‌های پایه شبکه‌های عصبی گراف
• 8. پیاده‌سازی GNN با استفاده از فریم‌ورک‌های پایتون (PyTorch Geometric, DGL)
• 9. لایه Graph Convolutional (GCN)
• 10. لایه Graph Attention (GAT)
• 11. مکانیسم‌های تجمیع (Aggregation) در GNN
• 12. انتشار پیام (Message Passing) در GNN
• 13. تکنیک‌های Pooling در GNN
• 14. شبکه‌های عصبی گراف برای گره‌بندی (Node Classification)
• 15. شبکه‌های عصبی گراف برای پیش‌بینی لینک (Link Prediction)
• 16. شبکه‌های عصبی گراف برای طبقه‌بندی گراف (Graph Classification)
• 17. استفاده از GNN در سیستم‌های توصیه‌گر
• 18. توصیه‌گرهای مبتنی بر گراف برای شبکه‌های اجتماعی
• 19. توصیه‌گرهای مبتنی بر گراف برای تجارت الکترونیک
• 20. تکنیک‌های Embedding گراف
• 21. یادگیری نمایش گراف (Graph Representation Learning)
• 22. استفاده از GNN برای تشخیص تقلب
• 23. کاربرد GNN در تحلیل شبکه‌های اجتماعی
• 24. مدل‌سازی دانش با استفاده از GNN
• 25. شبکه‌های عصبی گراف و پردازش زبان طبیعی (NLP)
• 26. GNN برای تشخیص کلاهبرداری در تراکنش‌های مالی
• 27. GNN برای پیش‌بینی رفتار کاربر
• 28. GNN برای مسیریابی در شبکه‌های حمل و نقل
• 29. GNN برای مدل‌سازی شبکه‌های بیولوژیکی
• 30. بهینه‌سازی GNN: Regularization و Dropout
• 31. آموزش GNN با داده‌های کم‌برچسب (Semi-Supervised Learning)
• 32. مقیاس‌پذیری GNN برای گراف‌های بزرگ
• 33. تکنیک‌های نمونه‌برداری گراف (Graph Sampling)
• 34. GNN های پویا (Dynamic GNNs)
• 35. تفسیرپذیری GNN (Explainable GNNs)
• 36. حملات Adversarial بر GNN و دفاع در برابر آن‌ها
• 37. تکنیک‌های افزایش داده در GNN
• 38. GNN های مبتنی بر توجه چندگانه (Multi-Head Attention)
• 39. GNN های مبتنی بر ترانسفورمر (Transformer-based GNNs)
• 40. استفاده از GNN در یادگیری تقویتی (Reinforcement Learning)
• 41. GNN های هتروژن (Heterogeneous GNNs)
• 42. GNN های چندوظیفه‌ای (Multi-Task GNNs)
• 43. GNN های مبتنی بر حافظه (Memory-based GNNs)
• 44. GNN های با ساختار سلسله مراتبی (Hierarchical GNNs)
• 45. GNN های مبتنی بر گراف‌های دانش (Knowledge Graph GNNs)
• 46. GNN های تعاملی (Interactive GNNs)
• 47. GNN های مبتنی بر گراف‌های زمانی (Temporal Graph GNNs)
• 48. GNN های برای پردازش داده‌های سری زمانی
• 49. GNN های برای پیش‌بینی زنجیره تامین
• 50. GNN های برای تحلیل ریسک اعتباری
• 51. GNN های برای تشخیص بیماری
• 52. GNN های برای تشخیص ناهنجاری
• 53. GNN های برای تحلیل تصاویر پزشکی
• 54. GNN های برای پردازش ویدیو
• 55. GNN های برای تحلیل داده‌های حسگر
• 56. GNN های برای مدل‌سازی ترافیک
• 57. GNN های برای بهینه‌سازی شبکه‌های انرژی
• 58. GNN های برای کنترل ربات‌ها
• 59. GNN های برای تحلیل داده‌های ژنومیک
• 60. GNN های برای کشف دارو
• 61. GNN های برای پیش‌بینی آب و هوا
• 62. GNN های برای پیش‌بینی بازار سهام
• 63. GNN های برای تحلیل احساسات
• 64. GNN های برای تشخیص اخبار جعلی
• 65. GNN های برای ترجمه ماشینی
• 66. GNN های برای تولید متن