کتاب کشف الگوها در شبکه‌های پویا چندلایه با استفاده از مدل تنسوری تابعی و RKHS با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف الگوها در شبکه‌های پویا چندلایه با استفاده از مدل تنسوری تابعی و RKHS

موضوع کلی: داده کاوی شبکه‌های پیچیده

موضوع میانی: مدل‌سازی و تحلیل شبکه‌های چندلایه پویا

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده شبکه‌ها
• 2. ویژگی‌های شبکه‌های پیچیده
• 3. مفهوم گره‌ها، یال‌ها و ویژگی‌های آن‌ها
• 4. آشنایی با شبکه‌های چندلایه: تعریف و اهمیت
• 5. مثال‌هایی از شبکه‌های چندلایه در دنیای واقعی
• 6. شبکه‌های پویا: مفهوم زمان در شبکه‌ها
• 7. چالش‌های تحلیل شبکه‌های پویا
• 8. معرفی شبکه‌های چندلایه پویا
• 9. انواع نمایش داده‌های شبکه‌های چندلایه پویا
• 10. مرور ریاضی: جبر خطی برای شبکه‌ها (بردارها و ماتریس‌ها)
• 11. مرور ریاضی: مقادیر ویژه و بردارهای ویژه
• 12. فضاهای برداری و زیرفضاهای ناورد
• 13. مروری بر آنالیز تابع و فضای تابعی
• 14. انگیزه مدل‌سازی تنسوری در شبکه‌ها
• 15. چالش‌های مدل‌سازی شبکه‌های چندلایه پویا
• 16. معرفی تنسورها: آرایه‌های چندبعدی
• 17. رتبه یک تنسور و ابعاد آن
• 18. عملیات پایه تنسوری: جمع، ضرب اسکالر، ضرب هادامارد
• 19. ضرب تنسوری (Tensor Product) و ضرب بیرونی (Outer Product)
• 20. فشرده‌سازی تنسورها (Tensor Contraction)
• 21. ماتریس‌سازی تنسور (Tensor Unfolding/Matricization)
• 22. معرفی تجزیه تنسوری: هدف و کاربردها
• 23. تجزیه CP (CANDECOMP/PARAFAC)
• 24. الگوریتم‌های تخمین برای تجزیه CP
• 25. تجزیه تاکر (Tucker Decomposition)
• 26. مقایسه تجزیه‌های CP و تاکر
• 27. رتبه تنسوری و انتخاب رتبه مناسب
• 28. تجزیه تنسوری برای داده‌های بزرگ
• 29. کاربردهای تجزیه تنسوری در داده‌کاوی
• 30. نرم‌سازی (Regularization) در تجزیه تنسوری
• 31. مقدمه‌ای بر آنالیز داده‌های تابعی (FDA)
• 32. داده‌های تابعی: منحنی‌ها به عنوان نقاط داده
• 33. مثال‌هایی از داده‌های تابعی در علوم مختلف
• 34. نمایش داده‌های تابعی: اساس توابع (Basis Functions)
• 35. توابع پایه بسط موجکی (Wavelet Basis Functions)
• 36. توابع پایه بسط B-اسپلاین (B-Spline Basis Functions)
• 37. انتخاب و بهینه‌سازی توابع پایه
• 38. میانگین و کوواریانس تابعی
• 39. مشتق و انتگرال توابع داده‌ای
• 40. آنالیز مؤلفه‌های اصلی تابعی (FPCA)
• 41. رگرسیون تابعی و مدل‌های خطی تابعی
• 42. هموارسازی داده‌های تابعی (Functional Smoothing)
• 43. فاصله و شباهت بین توابع
• 44. داده‌کاوی با داده‌های تابعی
• 45. چالش‌ها در آنالیز داده‌های تابعی
• 46. بازنمایی شبکه‌های چندلایه با تنسورهای مجاورت
• 47. تنسورهای مجاورت زمانی برای شبکه‌های پویا
• 48. مدل‌سازی وابستگی‌های زمانی در شبکه‌های پویا
• 49. ساختار شبکه‌های چندلایه: لایه‌های همگن و ناهمگن
• 50. سناریوهای مختلف پویایی در شبکه‌ها (گسسته و پیوسته)
• 51. معرفی تنسورهای استریم برای شبکه‌های چندلایه پویا
• 52. خواص آماری تنسورهای شبکه‌ای
• 53. مسائل مقیاس‌پذیری در شبکه‌های چندلایه پویا
• 54. چالش‌های ابعاد بالا در مدل‌سازی
• 55. رویکردهای موجود برای مدل‌سازی شبکه‌های چندلایه پویا
• 56. ضعف مدل‌های گسسته در شبکه‌های پویا
• 57. نیاز به مدل‌های پیوسته و تابعی برای زمان
• 58. ارتباط بین لایه‌ها: پارامترهای مشترک
• 59. تشخیص الگوهای مشترک بین لایه‌ها
• 60. اهمیت زیرفضاهای ناورد مشترک
• 61. معرفی مدل تنسوری تابعی پیشنهادی
• 62. انگیزه‌های پشت ساختار مدل
• 63. مؤلفه‌های مدل: گره‌ها، لایه‌ها و زمان به صورت تابعی
• 64. نمایش فاکتورهای گره به صورت برداری
• 65. نمایش فاکتورهای لایه به صورت توابع پایه
• 66. نمایش فاکتورهای زمان به صورت توابع پایه
• 67. نقش زیرفضاهای ناورد مشترک در مدل
• 68. زیرفضاهای ناورد مشترک به عنوان هسته ساختاری
• 69. فرمول‌بندی ریاضی مدل تنسوری تابعی
• 70. فرض‌های اساسی مدل
• 71. ارتباط مدل با تجزیه‌های تنسوری سنتی
• 72. چگونه مدل وابستگی‌های زمانی را به صورت پیوسته ثبت می‌کند؟
• 73. چگونه مدل ارتباط بین لایه‌ها را نمایش می‌دهد؟
• 74. ساختار الگوریتم برای استخراج مؤلفه‌های مدل
• 75. مزایای مدل تنسوری تابعی نسبت به مدل‌های قبلی
• 76. مروری بر فضاهای هیلبرت (Hilbert Spaces)
• 77. مفهوم هسته (Kernel Function) در یادگیری ماشین
• 78. انواع توابع هسته (پلی‌نومیال، RBF، سیگموئید و ...)
• 79. خواص توابع هسته: مثبت معین بودن
• 80. معرفی فضای هیلبرت با هسته بازتولیدکننده (RKHS)
• 81. ویژگی بازتولیدکننده (Reproducing Property)
• 82. استفاده از RKHS برای هموارسازی و تقریب توابع
• 83. رگرسیون در RKHS (Kernel Ridge Regression)
• 84. RKHS برای تنظیم‌سازی (Regularization)
• 85. کاربرد RKHS در آنالیز داده‌های تابعی
• 86. استخراج پارامترهای مدل با استفاده از RKHS
• 87. هدف تابع بهینه‌سازی برای مدل تنسوری تابعی
• 88. مؤلفه تنظیم‌سازی RKHS در تابع هدف
• 89. الگوریتم‌های بهینه‌سازی: نزول گرادیان تصادفی (SGD) و ALS
• 90. همگرایی الگوریتم‌های تخمین
• 91. انتخاب پارامترهای تنظیم‌سازی (Hyperparameters)
• 92. اعتبارسنجی مدل و معیارهای ارزیابی
• 93. روش‌های ارزیابی عملکرد مدل (پیش‌بینی، بازسازی)
• 94. تجزیه و تحلیل حساسیت مدل به پارامترها
• 95. کاربرد RKHS در کنترل پیچیدگی مدل
• 96. تفسیر خروجی مدل: کشف الگوهای نهفته
• 97. تشخیص جوامع و زیرگروه‌ها با استفاده از زیرفضاهای ناورد مشترک
• 98. تحلیل پویایی جوامع در طول زمان و لایه‌ها
• 99. پیش‌بینی تکامل شبکه و پیوندهای آینده
• 100. مطالعه موردی و کاربردهای عملی مدل در حوزه‌های مختلف