فلش‌کارت‌های آموزشی شبکه‌های کانولوشنی گراف (GCNs) برای مدل‌سازی روابط پیچیده بین عامل‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های کانولوشنی گراف (GCNs) برای مدل‌سازی روابط پیچیده بین عامل‌ها

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: شبکه‌های عصبی کانولوشنی (CNN)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های کانولوشنی گراف
• 2. مبانی نظری گراف‌ها در علم داده
• 3. نمایش ماتریسی گراف‌ها
• 4. انواع گراف‌ها و کاربردهای آن‌ها
• 5. مفهوم گره و یال در شبکه‌های کانولوشنی گراف
• 6. نشر اطلاعات در گراف‌ها
• 7. نشر پیام (Message Passing) در GCNها
• 8. عملیات کانولوشن در فضاهای گراف
• 9. لایه‌های کانولوشن گراف (Graph Convolutional Layers)
• 10. معرفی معماری‌های پایه GCN
• 11. شبکه‌های انتشار پیام (Message Passing Networks)
• 12. توابع فعال‌سازی در GCNها
• 13. لایه‌های غیرخطی در GCNها
• 14. بهینه‌سازی پارامترها در GCNها
• 15. توابع هزینه (Loss Functions) در GCNها
• 16. روش‌های تنظیم (Regularization) در GCNها
• 17. آموزش مدل‌های GCN
• 18. ارزیابی عملکرد GCNها
• 19. متریک‌های ارزیابی در GCNها
• 20. انواع وظایف در GCNها: طبقه‌بندی گره
• 21. انواع وظایف در GCNها: پیش‌بینی پیوند
• 22. انواع وظایف در GCNها: طبقه‌بندی گراف
• 23. کاربرد GCNها در شبکه‌های اجتماعی
• 24. مدل‌سازی روابط در شبکه‌های اجتماعی با GCN
• 25. تحلیل شبکه‌های اجتماعی با GCN
• 26. کاربرد GCNها در شیمی و داروسازی
• 27. پیش‌بینی خواص مولکولی با GCN
• 28. طراحی دارو با GCN
• 29. کاربرد GCNها در سیستم‌های توصیه‌گر
• 30. توصیه‌گرهای مبتنی بر گراف
• 31. شخصی‌سازی توصیه‌ها با GCN
• 32. کاربرد GCNها در پردازش زبان طبیعی
• 33. تحلیل وابستگی بین کلمات با GCN
• 34. مدل‌سازی معنایی جملات با GCN
• 35. کاربرد GCNها در بینایی ماشین
• 36. تشخیص اشیاء با GCN
• 37. تحلیل صحنه با GCN
• 38. مفاهیم پیشرفته در GCNها
• 39. GCNهای چندلایه
• 40. GCNهای با کانولوشن فضایی
• 41. GCNهای با کانولوشن طیفی
• 42. GCNهای مبتنی بر توجه (Attention)
• 43. مکانیزم توجه در GCNها
• 44. GCNهای گراف فعال (Dynamic GCNs)
• 45. مدل‌سازی گراف‌های در حال تغییر
• 46. GCNهای ناهمگن (Heterogeneous GCNs)
• 47. مدل‌سازی گراف‌های با انواع گره و یال مختلف
• 48. GCNهای با قابلیت تفسیرپذیری
• 49. فهم بهتر تصمیمات GCN
• 50. شبکه‌های عصبی گراف (GNNs)
• 51. تفاوت GCN با سایر GNNها
• 52. انتشار اطلاعات در GNNها
• 53. یادگیری نمایش گره (Node Embeddings)
• 54. یادگیری نمایش گراف (Graph Embeddings)
• 55. مدل‌های GCN مبتنی بر انتشار پیام پیشرفته
• 56. بهینه‌سازی انتشار پیام
• 57. GCNها برای پیش‌بینی خواص گراف
• 58. کاربرد GCNها در تحلیل شبکه‌های حمل و نقل
• 59. مدل‌سازی جریان ترافیک با GCN
• 60. پیش‌بینی ازدحام با GCN
• 61. کاربرد GCNها در تحلیل شبکه‌های انرژی
• 62. مدل‌سازی مصرف انرژی با GCN
• 63. پیش‌بینی تولید انرژی با GCN
• 64. کاربرد GCNها در علم مواد
• 65. پیش‌بینی خواص مواد با GCN
• 66. طراحی مواد جدید با GCN
• 67. کاربرد GCNها در سیستم‌های مالی
• 68. شناسایی تقلب با GCN
• 69. تحلیل ریسک اعتباری با GCN
• 70. کاربرد GCNها در بیوانفورماتیک
• 71. پیش‌بینی برهم‌کنش پروتئین‌ها با GCN
• 72. تحلیل داده‌های ژنومیک با GCN
• 73. GCNهای لبه‌محور (Edge-centric GCNs)
• 74. مدل‌سازی روابط بین گره‌ها
• 75. GCNهای گره‌محور (Node-centric GCNs)
• 76. مدل‌سازی خصوصیات گره‌ها
• 77. GCNهای سلسله‌مراتبی
• 78. مدل‌سازی ساختارهای گراف در سطوح مختلف
• 79. GCNهای گراف‌ عصبی (Neural Graph Networks)
• 80. استفاده از شبکه‌های عصبی در ساختار GCN
• 81. GCNهای با گره‌های پویا
• 82. مدل‌سازی گره‌هایی که به شبکه اضافه یا حذف می‌شوند
• 83. GCNهای با یال‌های پویا
• 84. مدل‌سازی یال‌هایی که به شبکه اضافه یا حذف می‌شوند
• 85. GCNهای چندکاناله (Multi-channel GCNs)
• 86. استفاده از اطلاعات چندگانه در GCN
• 87. GCNهای با قابلیت یادگیری ساختار گراف
• 88. یادگیری خودکار ساختار گراف
• 89. GCNهای برای یادگیری تقویتی مبتنی بر گراف
• 90. تصمیم‌گیری در محیط‌های گراف
• 91. GCNهای برای پردازش سیگنال گراف
• 92. تحلیل داده‌های زمانی روی گراف
• 93. GCNهای برای مدل‌سازی شبکه‌های ارتباطی
• 94. تحلیل پایداری شبکه‌های ارتباطی
• 95. GCNهای برای پیش‌بینی رفتار عامل‌ها
• 96. مدل‌سازی تعاملات عامل‌ها
• 97. GCNهای برای تشخیص ناهنجاری در گراف
• 98. شناسایی الگوهای غیرعادی
• 99. GCNهای برای تحلیل شبکه‌های پیچیده
• 100. مدل‌سازی دینامیک سیستم‌های پیچیده