فلش‌کارت‌های آموزشی جامع شبکه‌های عصبی گراف (GNN) برای تحلیل داده‌های پیچیده و شبکه‌ای

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع شبکه‌های عصبی گراف (GNN) برای تحلیل داده‌های پیچیده و شبکه‌ای

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق روی ساختارهای گراف

📋 سرفصل‌های دوره

• 1. مبانی و ضرورت‌های تحلیل داده‌های ساختاریافته در قالب گراف
• 2. ساختار داده‌های گرافی و نمایش ماتریسی اتصالات
• 3. تفاوت‌های بنیادین میان شبکه‌های عصبی متقارن و شبکه‌های گراف
• 4. مفهوم همسایگی و تجمیع اطلاعات در گره‌های گراف
• 5. معرفی شبکه‌های عصبی گراف GNN و معماری پایه آن‌ها
• 6. بررسی عملیات انتقال پیام در شبکه‌های گراف
• 7. مبانی ریاضی ضرب‌های ماتریسی در تحلیل گراف
• 8. آشنایی با شبکه‌های عصبی گراف کانولوشنی GCN
• 9. فرمول‌بندی لایه کانولوشنی در گراف‌های بدون جهت
• 10. تحلیل طیفی گراف و فضای فرکانسی در یادگیری ماشین
• 11. تقریب مرتبه اول فیلترهای گراف و ساده‌سازی محاسباتی
• 12. معرفی الگوریتم GraphSAGE برای یادگیری استقرایی
• 13. آموزش گام‌به‌گام تجمیع‌کننده‌های محلی در مدل GraphSAGE
• 14. مکانیسم توجه در گراف‌ها و معرفی شبکه GAT
• 15. اهمیت وزن‌دهی به یال‌ها در شبکه‌های عصبی گراف توجهی
• 16. مقایسه عملکرد GCN و GAT در تحلیل شبکه‌های اجتماعی
• 17. مدل‌های رمزگذار-رمزگشا در یادگیری بازنمایی گراف
• 18. تکنیک‌های تعبیه گره Node Embedding در فضای برداری
• 19. معرفی الگوریتم DeepWalk و یادگیری بر مبنای پیاده‌روی تصادفی
• 20. استفاده از Node2Vec برای حفظ ساختار محلی و جهانی گراف
• 21. پیش‌بینی پیوند Link Prediction در شبکه‌های پیچیده
• 22. طبقه‌بندی گره‌ها در گراف‌های بزرگ و مقیاس‌پذیر
• 23. خوشه‌بندی و تشخیص جوامع در ساختارهای گرافی
• 24. آموزش کار با کتابخانه PyTorch Geometric در پایتون
• 25. پیاده‌سازی یک لایه GCN سفارشی با استفاده از توابع پایه
• 26. پیش‌پردازش داده‌های گراف و مدیریت ساختارهای تنک
• 27. بهینه‌سازی توابع هزینه برای مسائل یادگیری روی گراف
• 28. بررسی چالش‌های بیش‌برازش در شبکه‌های عصبی گراف عمیق
• 29. تکنیک‌های نرمال‌سازی در آموزش شبکه‌های گراف
• 30. کاربرد GNN در تحلیل شبکه‌های حمل‌ونقل شهری
• 31. تحلیل سیستم‌های توصیه‌گر با استفاده از یادگیری گراف
• 32. کاربرد شبکه‌های عصبی گراف در پیش‌بینی تعاملات پروتئین‌ها
• 33. امنیت در شبکه‌های عصبی گراف و مقابله با حملات خصمانه
• 34. ارزیابی مدل‌های گراف با استفاده از معیارهای استاندارد
• 35. آینده پژوهی و روندهای نوین در یادگیری ماشین روی گراف