🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: پیش‌بینی هوشمند مدت زمان قطعی برق ناشی از بلایای طبیعی با Graph Attention Networks (GAT)

موضوع کلی: یادگیری عمیق و کاربردهای آن

موضوع میانی: شبکه‌های عصبی گراف (GNNs) برای تحلیل داده‌های پیچیده

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر بحران قطعی برق در بلایای طبیعی
• 2. اهمیت پیش‌بینی مدت زمان قطعی برق
• 3. محدودیت‌های روش‌های سنتی و آماری
• 4. آشنایی با یادگیری عمیق و پتانسیل آن در حل مسائل پیچیده
• 5. چرا داده‌های شبکه‌های برق ذاتاً گرافی هستند؟
• 6. معرفی شبکه‌های عصبی گراف (GNNs) به عنوان راه حل
• 7. معرفی مقاله الهام‌بخش و اهداف آن
• 8. مروری بر ساختار کلی دوره و نقشه راه یادگیری
• 9. آشنایی با ابزارهای مورد نیاز: پایتون، PyTorch/TensorFlow, DGL/PyG
• 10. آماده‌سازی محیط توسعه و نصب کتابخانه‌های ضروری
• 11. مبانی تئوری گراف: گره‌ها، یال‌ها و همسایگی
• 12. انواع گراف‌ها: جهت‌دار، بی‌جهت، وزن‌دار و چندگانه
• 13. نمایش گراف در کامپیوتر: ماتریس مجاورت (Adjacency Matrix)
• 14. نمایش گراف در کامپیوتر: لیست مجاورت (Adjacency List)
• 15. ویژگی‌های گره (Node Features): درجه، مرکزیت و ...
• 16. ویژگی‌های یال (Edge Features): وزن و انواع آن
• 17. ویژگی‌های گراف (Graph Features): قطر، چگالی و ...
• 18. مفهوم پیمایش در گراف: الگوریتم‌های BFS و DFS
• 19. گراف‌های خاص: گراف‌های دوبخشی و گراف‌های کامل
• 20. کاربرد تئوری گراف در مدل‌سازی شبکه‌های دنیای واقعی
• 21. مروری بر شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 22. تابع فعال‌سازی (Activation Function) و نقش آن
• 23. تابع هزینه (Loss Function) و بهینه‌سازی گرادیان کاهشی (Gradient Descent)
• 24. بهینه‌سازهای پیشرفته: Adam, RMSprop
• 25. مفهوم بازنمایی برداری (Embedding) برای داده‌های گسسته
• 26. مقدمه‌ای بر مکانیسم توجه (Attention Mechanism)
• 27. محاسبه امتیازات توجه (Attention Scores) و وزن‌ها
• 28. توجه خودی (Self-Attention) و کاربرد آن در ترنسفورمرها
• 29. مقایسه توجه نرم (Soft Attention) و توجه سخت (Hard Attention)
• 30. چالش‌های یادگیری عمیق: بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 31. معرفی چارچوب کلی شبکه‌های عصبی گراف (GNNs)
• 32. پارادایم انتشار پیام (Message Passing)
• 33. تابع تجمیع (Aggregation Function): Mean, Sum, Max
• 34. تابع به‌روزرسانی (Update Function)
• 35. معماری شبکه کانولوشن گراف (Graph Convolutional Network - GCN)
• 36. درک ریاضیات پشت GCN و نرمال‌سازی لاپلاسین
• 37. معرفی مدل GraphSAGE و نمونه‌برداری از همسایه‌ها
• 38. مقایسه GCN و GraphSAGE
• 39. محدودیت‌های GCN: مشکل Over-smoothing
• 40. طبقه‌بندی وظایف در GNNs: طبقه‌بندی گره، یال و گراف
• 41. معرفی شبکه توجه گراف (Graph Attention Network - GAT)
• 42. چرا به توجه در گراف‌ها نیاز داریم؟
• 43. معماری یک لایه GAT: محاسبه ضرایب توجه
• 44. استفاده از تابع LeakyReLU در محاسبه توجه
• 45. نرمال‌سازی ضرایب توجه با Softmax
• 46. مکانیسم توجه چندسر (Multi-Head Attention) در GAT
• 47. تجمیع خروجی‌های چند سر: الحاق (Concatenation) در مقابل میانگین‌گیری
• 48. مزایای GAT نسبت به GCN: وزن‌دهی پویا به همسایه‌ها
• 49. پیاده‌سازی یک لایه GAT از ابتدا با PyTorch/TensorFlow
• 50. تحلیل پیچیدگی محاسباتی GAT
• 51. آشنایی با ساختار شبکه‌های توزیع برق
• 52. اجزای کلیدی شبکه برق: پست‌ها، ترانسفورماتورها، خطوط انتقال
• 53. انواع بلایای طبیعی و تأثیر آن‌ها بر زیرساخت برق
• 54. داده‌های مرتبط با قطعی برق: گزارش‌های خام، داده‌های SCADA
• 55. داده‌های هواشناسی: سرعت باد، میزان بارش، دما
• 56. داده‌های توپولوژیکی شبکه برق
• 57. داده‌های جمعیتی و جغرافیایی (GIS)
• 58. چگونه یک شبکه برق را به صورت گراف مدل‌سازی کنیم؟
• 59. گره‌ها در گراف شبکه برق: پست‌ها و مصرف‌کنندگان
• 60. یال‌ها در گراف شبکه برق: خطوط انتقال و توزیع
• 61. جمع‌آوری و یکپارچه‌سازی داده‌ها از منابع مختلف
• 62. پیش‌پردازش داده‌های خام و پاک‌سازی نویز
• 63. مهندسی ویژگی برای گره‌ها (Node Features): ویژگی‌های استاتیک و دینامیک
• 64. مهندسی ویژگی برای یال‌ها (Edge Features): مقاومت، طول خط
• 65. ایجاد ویژگی‌های مبتنی بر زمان (Temporal Features)
• 66. نرمال‌سازی و استانداردسازی ویژگی‌ها
• 67. روش‌های برخورد با داده‌های گمشده (Missing Data)
• 68. ساخت دیتاست گراف با استفاده از کتابخانه PyTorch Geometric (PyG)
• 69. ساخت دیتاست گراف با استفاده از کتابخانه Deep Graph Library (DGL)
• 70. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمون
• 71. طراحی معماری کامل مدل GAT برای پیش‌بینی مدت زمان قطعی
• 72. تعریف لایه ورودی: تبدیل ویژگی‌های اولیه به فضای پنهان
• 73. چیدن چندین لایه GAT بر روی هم (Stacking GAT Layers)
• 74. طراحی لایه خروجی برای مسئله رگرسیون (پیش‌بینی مقدار پیوسته)
• 75. استفاده از توابع فعال‌سازی مناسب در لایه‌های میانی و خروجی
• 76. پیاده‌سازی کامل مدل در PyTorch Geometric
• 77. انتخاب تابع هزینه مناسب برای رگرسیون: MSE, MAE, Huber Loss
• 78. پیاده‌سازی حلقه آموزشی (Training Loop)
• 79. پیاده‌سازی حلقه اعتبارسنجی (Validation Loop)
• 80. ذخیره و بارگذاری مدل آموزش‌دیده (Checkpointing)
• 81. شروع فرآیند آموزش مدل و مانیتورینگ آن
• 82. تحلیل نمودارهای هزینه (Loss Curves) در طول آموزش
• 83. معیارهای ارزیابی مدل‌های رگرسیون: MAE, RMSE, R-squared
• 84. ارزیابی عملکرد مدل بر روی مجموعه آزمون
• 85. مفهوم تنظیم فراپارامترها (Hyperparameter Tuning)
• 86. روش‌های تنظیم فراپارامترها: Grid Search, Random Search
• 87. تنظیم تعداد لایه‌ها، تعداد سرهای توجه و نرخ یادگیری
• 88. استفاده از Dropout برای جلوگیری از بیش‌برازش در GAT
• 89. تکنیک‌های منظم‌سازی (Regularization) مانند L2
• 90. تفسیرپذیری مدل GAT: تحلیل وزن‌های توجه
• 91. ترکیب GAT با مدل‌های زمانی (Temporal GNNs) مانند GAT-LSTM
• 92. مقیاس‌پذیری مدل برای شبکه‌های برق بسیار بزرگ
• 93. تحلیل تأثیر ویژگی‌های مختلف بر دقت پیش‌بینی (Feature Importance)
• 94. مقایسه عملکرد GAT با دیگر مدل‌های GNN (GCN, GraphSAGE)
• 95. مقایسه با مدل‌های غیر گرافی (XGBoost, Random Forest)
• 96. چالش‌های استقرار (Deployment) مدل در یک سیستم واقعی
• 97. ملاحظات اخلاقی و عدالت در پیش‌بینی قطعی برق
• 98. مسیرهای تحقیقاتی آینده در این حوزه
• 99. پروژه نهایی: پیاده‌سازی کامل مدل بر روی یک دیتاست نمونه
• 100. جمع‌بندی نهایی دوره و گام‌های بعدی