کتاب یادگیری بر روی گراف‌ها با شبکه‌های عصبی قابل توضیح با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری بر روی گراف‌ها با شبکه‌های عصبی قابل توضیح

موضوع کلی: یادگیری ماشین و داده‌کاوی

موضوع میانی: شبکه‌های عصبی و کاربردهای آن‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر گراف‌ها و کاربردهای آن‌ها
• 2. انواع گراف‌ها و نمایش آن‌ها
• 3. ماتریس مجاورت و لیست مجاورت
• 4. الگوریتم‌های جستجوی گراف: BFS و DFS
• 5. مسائل جستجوی مسیر در گراف‌ها
• 6. الگوریتم دایکسترا و کوتاهترین مسیر
• 7. الگوریتم‌های Min-Cut و Max-Flow
• 8. مقدمه‌ای بر یادگیری ماشین و گراف‌ها
• 9. شبکه‌های عصبی: مبانی و اصول
• 10. شبکه‌های عصبی کانولوشنی (CNN) برای گراف‌ها
• 11. شبکه‌های عصبی بازگشتی (RNN) و گراف‌ها
• 12. شبکه‌های عصبی گراف (GNN)
• 13. معماری‌های مختلف GNN
• 14. Graph Convolutional Networks (GCN)
• 15. Graph Attention Networks (GAT)
• 16. GraphSAGE
• 17. پیاده‌سازی GCN با استفاده از پایتون و TensorFlow
• 18. پیاده‌سازی GAT با استفاده از پایتون و PyTorch
• 19. Graph Embedding
• 20. تکنیک‌های Embedding گراف
• 21. Node2Vec
• 22. DeepWalk
• 23. کاربرد GNN در طبقه‌بندی گره‌ها
• 24. کاربرد GNN در پیش‌بینی لینک
• 25. کاربرد GNN در خوشه‌بندی گراف
• 26. کاربرد GNN در تجسم گراف
• 27. شبکه‌های عصبی گراف قابل توضیح (Explainable GNN)
• 28. اهمیت قابلیت توضیح در یادگیری ماشین
• 29. روش‌های Explainable AI (XAI)
• 30. LIME و SHAP برای توضیح پیش‌بینی‌های GNN
• 31. تفسیر ویژگی‌های مهم در GNN
• 32. کاربرد GNN در شبکه‌های اجتماعی
• 33. تحلیل شبکه‌های اجتماعی با GNN
• 34. تشخیص جوامع در شبکه‌های اجتماعی
• 35. پیش‌بینی رفتار کاربران در شبکه‌های اجتماعی
• 36. کاربرد GNN در بیوانفورماتیک
• 37. تحلیل شبکه‌های پروتئین-پروتئین با GNN
• 38. پیش‌بینی ساختار پروتئین با GNN
• 39. کاربرد GNN در سیستم‌های توصیه گر
• 40. بهبود سیستم‌های توصیه گر با GNN
• 41. پیش‌بینی امتیاز فیلم با GNN
• 42. کاربرد GNN در پردازش زبان طبیعی
• 43. مدل‌سازی جملات با گراف
• 44. تحلیل وابستگی نحوی با GNN
• 45. کاربرد GNN در تشخیص تقلب
• 46. تشخیص تراکنش‌های تقلبی با GNN
• 47. شناسایی حساب‌های جعلی در شبکه‌های اجتماعی
• 48. کاربرد GNN در مدیریت زنجیره تامین
• 49. بهینه‌سازی لجستیک با GNN
• 50. پیش‌بینی تقاضا در زنجیره تامین
• 51. کاربرد GNN در تحلیل ترافیک
• 52. پیش‌بینی جریان ترافیک با GNN
• 53. بهینه‌سازی مسیرها در شبکه‌های حمل و نقل
• 54. چالش‌ها و محدودیت‌های GNN
• 55. مقیاس‌پذیری GNN
• 56. مسائل مربوط به داده‌های گراف
• 57. آینده یادگیری بر روی گراف‌ها
• 58. تحقیقات جدید در زمینه GNN
• 59. کاربردهای نوظهور GNN
• 60. استفاده از GNN در داده‌های پویا
• 61. یادگیری گراف با داده‌های ناقص
• 62. روش‌های نیمه‌نظارتی در GNN
• 63. یادگیری گراف با استفاده از داده‌های متنی
• 64. یادگیری گراف با استفاده از داده‌های تصویری
• 65. تکنیک‌های افزایش داده در گراف‌ها
• 66. تنظیم پارامترهای GNN
• 67. انتخاب معماری مناسب GNN
• 68. ارزیابی عملکرد GNN
• 69. مقایسه GNN با سایر روش‌های یادگیری ماشین
• 70. مقدمه‌ای بر Graph Databases
• 71. Neo4j و GNN
• 72. استفاده از GNN در Graph Databases
• 73. تکنیک‌های پیش‌پردازش داده‌های گراف
• 74. پاکسازی و نرمال‌سازی داده‌های گراف
• 75. تبدیل داده‌ها به فرمت مناسب برای GNN
• 76. مبانی ریاضی گراف‌ها
• 77. جبر خطی و گراف‌ها
• 78. احتمالات و گراف‌ها
• 79. بهینه‌سازی و گراف‌ها