دوره یادگیری عمیق گرافی (GNNs) برای پیش‌بینی لینک در شبکه‌های عظیم همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق گرافی (GNNs) برای پیش‌بینی لینک در شبکه‌های عظیم

موضوع کلی: تحلیل داده‌های شبکه‌ای

موضوع میانی: الگوریتم‌های پیش‌بینی اتصالات

📋 سرفصل‌های دوره

• 1. مقدمه به داده‌های شبکه‌ای و پیش‌بینی لینک
• 2. مبانی نظریه گراف برای GNNs
• 3. مروری بر شبکه‌های عصبی عمیق گراف
• 4. مبانی یادگیری نمایندگی گراف
• 5. چارچوب‌های ارسال پیام (ارسال، به‌روزرسانی، تجمع)
• 6. مبانی شبکه‌های کانولوشنی گراف (GCNs)
• 7. کانولوشن گراف اسپکترال
• 8. مکانیسم‌های توجه گراف
• 9. GraphSAGE: نمونه‌برداری و تجمع
• 10. تکنیک‌های توکینگ گراف برای پیش‌بینی لینک
• 11. گراف‌های هدایت‌شونده و امضا شده در GNNs
• 12. مدیریت ویژگی‌های گراف و مشخصات گره
• 13. پایپ‌لاین‌های داده‌ای مقیاس‌پذیر برای گراف‌های عظیم
• 14. ذخیره‌سازی حافظه‌کارآمد گراف (لیست مجاورت، CSR)
• 15. آموزش موازی و توزیع‌شده روی گراف
• 16. استراتژی‌های مینی‌بچ نمونه‌برداری زیرگراف
• 17. نمونه‌برداری منفی برای پیش‌بینی لینک
• 18. توابع زیان و معیارهای ارزیابی (AUC، MRR، Precision@K)
• 19. آموزش GNNهای عمیق: ترفندهای بهینه‌سازی
• 20. تکنیک‌های تنظیم‌کننده برای گراف (پرتربی، وزن‌کشی)
• 21. طبقه‌بندی گره به‌عنوان پیش‌آموزش
• 22. یادگیری خودسرپرستانه روی گراف (DeepWalk، Node2Vec، GraphCL)
• 23. یادگیری کنتراستی برای پیش‌بینی لینک
• 24. ادغام اطلاعات جانبی (ویژگی‌های گره، انواع گره)
• 25. گراف‌های ناهمگن و Metapath‑based GNNs
• 26. شبکه‌های عصبی گراف تطبیقی (مانند GCN تطبیقی)
• 27. گراف‌های پویا: GNNهای زمانی (مانند TGAT، GraphSAGE زمانی)
• 28. مدل‌سازی فعالیت گره در طول زمان
• 29. پیش‌بینی لینک در شبکه‌های زمانی
• 30. ارزیابی روی گراف‌های ثابت در مقابل پویا
• 31. استنتاج مقیاس‌پذیر برای گراف‌های عظیم
• 32. فشرده‌سازی مدل و کوانتیزاسیون برای GNNs
• 33. یادگیری فدرال برای داده‌های گراف توزیع‌شده
• 34. حریم خصوصی‌محور GNNs (حریم خصوصی دیفرانسیل)
• 35. عدالت و سوگیری در پیش‌بینی‌های گراف
• 36. تفسیرپذیری GNNهای پیش‌بینی لینک (GNN‑EXPLAINER)
• 37. توکینگ‌های تفسیرپذیر برای استدلال لینک
• 38. یکپارچه‌سازی گراف با پچینگ برای کارایی
• 39. افزایش گراف برای مقاومتپذیری
• 40. درسیاب‌های منحنی برای پیش‌بینی لینک نامتوازن
• 41. مدیریت نامتوازنی کلاس (بازنویسی‌گیری، focal loss)
• 42. تنظیم آستانه و خطوط لوله تصمیم‌گیری
• 43. استقرار GNNهای پیش‌بینی لینک در تولید
• 44. مانیتورینگ و تشخیص جریان برای مدل‌های گراف
• 45. مطالعات موردی: دوست‌یابی در شبکه‌های اجتماعی
• 46. مطالعات موردی: پیش‌بینی لینک در شبکه‌های استنادی
• 47. مطالعات موردی: پیش‌بینی تعامل زیستی
• 48. مطالعات موردی: پیش‌بینی هم‌خرید محصول در تجارت الکترونیک
• 49. ارزیابی GNNs روی مجموعه‌های داده استاندارد (Cora، CiteSeer، PubMed، ogbn‑products و غیره)
• 50. تحقیق تکرارپذیر و کتابخانه‌های متن‌باز (PyTorch Geometric، DGL، DeepGraphLib)
• 51. بهینه‌سازی فرازمانی با بهینه‌سازی باینسی
• 52. استراتژی‌های انتخاب مدل برای گراف‌های عظیم
• 53. مقیاس‌بندی به میلیاردها لبه (روش‌های تقریبی)
• 54. جستجوی نزدیکان تقریبی برای نامزدهای لینک
• 55. الگوریتم‌های نمونه‌برداری گراف (GraphSAGE، Cluster‑GCN، GraphSAINT)
• 56. استخراج زیرگراف کارآمد با استفاده از نمونه‌برداری لبه
• 57. گره‌های GPU برای GNNs
• 58. عملیات ماتریس پراکنده برای GNNs
• 59. پردازش گراف مبتنی بر ابر (مانند AWS Neptune، Azure Cosmos DB)
• 60. ویژگی‌های آگاه از لبه (درجه گره، ضریب خوشه‌بندی و غیره)
• 61. Node2Vec و توکینگ‌های گراف
• 62. مقایسه DeepWalk و node2vec
• 63. یادگیری نمایندگی گراف با GNN در مقابل توکینگ‌های سطحی
• 64. انتقال یادگیری بین گراف‌های مرتبط
• 65. یادگیری چندوظیفه‌ای: طبقه‌بندی گره و پیش‌بینی لینک مشترک
• 66. GNNهای پیش‌بینی لینک هدایت‌شونده
• 67. معماری‌های نامتقارن GNN برای تعاملات کاربر-آیتم
• 68. تکمیل گراف دانش با GNNs
• 69. یکپارچه‌سازی قوانین منطقی در پیش‌بینی GNN
• 70. مدل‌های ترکیبی: GNN + رگرسیون لجستیک، GNN + XGBoost
• 71. روش‌های تجمیعی برای بهبود پیش‌بینی لینک
• 72. مقدارگیری عدم‌اطمینان در GNNهای پیش‌بینی لینک (پرتربی مونت‌کارلو)
• 73. GNNهای بیزینse برای پیش‌بینی احتمال لینک
• 74. پایداری GNNها در برابر حملات مخرب
• 75. استراتژی‌های دفاعی در برابر حملات شپشی
• 76. روش‌های صیقل‌دهی گراف برای شبکه‌های نویز
• 77. تشخیص جامعه به‌عنوان وظیفه کمکی برای پیش‌بینی لینک
• 78. یکپارچه‌سازی توکینگ‌های جامعه در GNN
• 79. GNNهای سلسله‌مراتبی (مانند Deep Modular Networks)
• 80. کلاسترینگ سلسله‌مراتبی مقیاس‌پذیر برای گراف‌های عظیم
• 81. GNNهای گراف جریان
• 82. یادگیری تدریجی برای گراف‌های در حال تکامل
• 83. سیستم‌های پیش‌بینی لینک لحظه‌ای (ارائه با تأخیر کم)
• 84. مانیتورینگ جریان مفهومی در گراف‌های جریان
• 85. پیش‌بینی لینک در گراف‌های دوجانبه پویا
• 86. مدل‌سازی تعاملات کاربر-آیتم برای توصیه
• 87. پیش‌بینی لینک در گراف‌های دانش با سه‌وجهی
• 88. توجه به لبه‌های زمانی برای امتیازدهی لینک
• 89. درسیاب‌های منحنی برای وظایف چندمقیاس
• 90. تجسم توکینگ‌های GNN برای تحلیل لینک
• 91. ابزارهای تعاملی برای کاوش در لینک‌های پیش‌بینی‌شده
• 92. اخلاق و هوش مصنوعی مسئول در پیش‌بینی‌های مبتنی بر گراف
• 93. ملاحظات قانونی و حریم خصوصی (GDPR، مالکیت داده)
• 94. چالش‌های باز و مسیرهای آینده در پیش‌بینی لینک GNN
• 95. پروژه: ساخت یک خط‌پایه پیش‌بینی لینک از داده‌های خام گراف تا تولید
• 96. پروژه: ارزیابی چند GNN بر روی یک مجموعه داده انتخاب‌شده
• 97. پروژه: پیاده‌سازی یک GNN نوین برای لینک‌های زمانی
• 98. پروژه: ارزیابی عدالت و تفسیرپذیری یک مدل GNN
• 99. بازنگری و موضوعات پیشرفته (مانند Graph Networks با Set Transformers)
• 100. بررسی نهایی و آمادگی برای آزمون