کتاب ساخت شبکه‌های بهینه با رویکرد "بندیت چند بازویی" و مدل‌های WSBM با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت شبکه‌های بهینه با رویکرد "بندیت چند بازویی" و مدل‌های WSBM

موضوع کلی: یادگیری ماشین و شبکه‌های پیچیده

موضوع میانی: شبکه‌های تطبیقی و بهینه‌سازی آنلاین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. انواع مسائل یادگیری ماشین
• 3. شبکه‌های پیچیده چیستند؟
• 4. مفاهیم اساسی در نظریه گراف: گره‌ها و یال‌ها
• 5. نمایش گراف‌ها: ماتریس‌های مجاورت و لیست‌ها
• 6. انواع گراف‌ها: جهت‌دار، بدون جهت، وزن‌دار، بدون وزن
• 7. معیارهای مرکزیت: درجه، بینابینی، نزدیکی
• 8. چگالی شبکه و همبندی
• 9. مسیرها، چرخه‌ها و مولفه‌های همبند
• 10. ضریب خوشه‌بندی و گذارپذیری
• 11. شبکه‌های جهان کوچک: ویژگی‌ها و مثال‌ها
• 12. شبکه‌های مقیاس‌ناپذیر و توزیع‌های قانون توانی
• 13. مقدمه‌ای بر نظریه احتمال
• 14. متغیرهای تصادفی و توزیع‌های احتمال
• 15. مفاهیم پایه بهینه‌سازی
• 16. "تطبیقی" در شبکه‌ها به چه معناست؟
• 17. مثال‌هایی از سیستم‌های شبکه تطبیقی
• 18. شبکه‌های پویا: مفاهیم و چالش‌ها
• 19. پارادایم‌های یادگیری آنلاین
• 20. تصمیم‌گیری ترتیبی تحت عدم قطعیت
• 21. ضرورت تشکیل شبکه تطبیقی
• 22. بهینه‌سازی شبکه ایستا در مقابل پویا
• 23. حلقه‌های بازخورد در سیستم‌های تطبیقی
• 24. محدودیت‌های دنیای واقعی بر تطبیق شبکه
• 25. معیارهای عملکرد برای شبکه‌های تطبیقی
• 26. مقدمه‌ای بر مسئله باند چند بازویی
• 27. اجزای مسئله MAB: بازوها، پاداش‌ها، افق
• 28. چالش اکتشاف-بهره‌برداری
• 29. پشیمانی تجمعی به عنوان معیار عملکرد
• 30. استراتژی‌های ساده MAB: حریصانه و تصادفی
• 31. الگوریتم اپسیلون-حریصانه: توازن اکتشاف
• 32. استراتژی اپسیلون-حریصانه کاهشی
• 33. اکتشاف سافت‌مکس برای MAB
• 34. اصل باند اطمینان بالا (UCB)
• 35. الگوریتم UCB1 برای پاداش‌های برنولی
• 36. انواع UCB: UCB-Tuned، UCB-V
• 37. MAB بیزی: مقدمه‌ای بر نمونه‌برداری تامپسون
• 38. نمونه‌برداری تامپسون برای باندهای بتا-برنولی
• 39. مقایسه UCB و نمونه‌برداری تامپسون
• 40. کاربردهای MAB فراتر از شبکه‌ها
• 41. مدل‌های مولد برای شبکه‌ها: یک دید کلی
• 42. مدل گراف تصادفی اردوش-رنیی: G(n,p)
• 43. اتصال ترجیحی و مدل باراباشی-آلبرت
• 44. مقدمه‌ای بر تشخیص جامعه
• 45. بیشینه‌سازی مدولاریتی برای تشخیص جامعه
• 46. محدودیت‌های روش‌های سنتی تشخیص جامعه
• 47. مدل بلوک تصادفی پایه (SBM)
• 48. مفروضات SBM و فرآیند مولد
• 49. ساختار جامعه پنهان در SBM
• 50. تخمین پارامتر برای SBM (مثلاً با استفاده از EM)
• 51. استنتاج انتسابات جامعه در SBM
• 52. SBM ناپارامتری و انتخاب مدل
• 53. SBM تصحیح‌شده برای درجه
• 54. تفسیر نتایج SBM
• 55. چالش‌های عملی با SBM
• 56. مقدمه‌ای بر شبکه‌های وزن‌دار
• 57. چرا SBM استاندارد برای شبکه‌های وزن‌دار کافی نیست؟
• 58. تعریف مدل بلوک تصادفی وزن‌دار (WSBM)
• 59. مدل‌سازی وزن یال‌ها در WSBM
• 60. فرآیند مولد WSBM
• 61. استنتاج آماری برای پارامترهای WSBM
• 62. تکنیک‌های استنتاج واریانسی برای WSBM
• 63. الگوریتم EM برای تخمین پارامترهای WSBM
• 64. تشخیص جامعه با WSBM
• 65. مزایا و معایب WSBM
• 66. تعریف تشکیل شبکه به عنوان یک مسئله بهینه‌سازی
• 67. مفهوم تصمیمات "دسته‌ای" در تکامل شبکه
• 68. چرا تطبیق دسته‌ای؟ جنبه‌های محاسباتی و عملی
• 69. بیان رسمی مسئله تشکیل شبکه تطبیقی دسته‌ای
• 70. توابع هدف برای ساختار شبکه بهینه
• 71. مدل‌سازی وضعیت و تکامل شبکه در طول دسته‌ها
• 72. بازخورد اطلاعات در تشکیل دسته‌ای
• 73. نقش وضعیت فعلی شبکه در تصمیم‌گیری
• 74. تعریف "فضای عمل" برای تغییرات شبکه
• 75. سیگنال‌های پاداش برای سیاست‌های تشکیل شبکه
• 76. تعریف تصمیمات تشکیل شبکه به عنوان بازوهای MAB
• 77. طراحی بازوهای خاص برای اضافه/حذف یال‌ها
• 78. استفاده از WSBM به عنوان ساختار هدف یا دانش پیشین
• 79. توسعه توابع پاداش بر اساس برازش WSBM
• 80. سیاست‌های MAB برای انتخاب تغییرات شبکه در دسته‌ها
• 81. باندهای بافتی برای تشکیل شبکه وابسته به حالت
• 82. گنجاندن ویژگی‌های شبکه به عنوان بافت در MAB
• 83. استراتژی‌های اکتشاف برای کشف یال‌های بهینه شبکه
• 84. استراتژی‌های بهره‌برداری برای همگرایی به ساختارهای مطلوب
• 85. تشخیص جامعه پویا در تشکیل تطبیقی
• 86. یادگیری تکراری پارامترهای WSBM
• 87. توازن بهینه‌سازی شبکه محلی در مقابل جهانی
• 88. مدیریت عدم قطعیت در وضعیت و پاداش‌های شبکه
• 89. MAB چند هدفه برای خواص پیچیده شبکه
• 90. ارتباط با یادگیری تقویتی: MDPها و Q-Learning
• 91. چالش‌های مقیاس‌پذیری در تشکیل شبکه در مقیاس بزرگ
• 92. روش‌های تقریبی برای WSBM و MAB در گراف‌های بزرگ
• 93. گنجاندن داده‌های خارجی و اطلاعات ناهمگون
• 94. تطبیق بلادرنگ در مقابل دسته‌ای در عمل
• 95. پایداری سیاست‌ها در برابر نویز و داده‌های گمشده
• 96. ملاحظات اخلاقی در طراحی شبکه خودکار
• 97. کتابخانه‌های نرم‌افزاری برای تحلیل گراف (مانند NetworkX, igraph)
• 98. ابزارها برای پیاده‌سازی الگوریتم‌های MAB
• 99. شبیه‌سازی شبکه‌های پویا و سیاست‌های تطبیقی
• 100. معیارهای ارزیابی عملکرد برای شبکه‌های تشکیل‌شده