فلش‌کارت‌های آموزشی یادگیری گراف پویا برای پیش‌بینی سری‌های زمانی: از مبانی تا پروژهٔ عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری گراف پویا برای پیش‌بینی سری‌های زمانی: از مبانی تا پروژهٔ عملی

موضوع کلی: یادگیری عمیق و شبکه‌های عصبی

موضوع میانی: شبکه‌های عصبی گراف برای سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای برای پیش‌بینی سری‌های زمانی
• 2. بازنگری شبکه‌های عصبی رکurrent در سری‌های زمانی
• 3. معماری Transformer و تأثیر آن بر پیش‌بینی
• 4. مقدمه‌ای برای نظریهٔ گراف و نظریهٔ گراف‌ها
• 5. نمایش داده‌های واقعی به‌صورت گراف
• 6. شبکه‌های عصبی گراف (GCN) و آموزش آن‌ها
• 7. آتن‌تنت (GAT) و مکانیزم توجه گرافی
• 8. ساختار گراف پویا و تفاوت با گراف ثابت
• 9. گراف فاصله و گراف کوساین در سری‌های زمانی
• 10. DCRNN: شبکه رکurrent روی گراف انتشار
• 11. STGCN: شبکه کانولوشنی گراف-زمانی
• 12. Graph WaveNet: پیش‌بینی با کنترل انتشار تطبیقی
• 13. MTGNN: چند-طرح‌واره گراف برای پیش‌بینی چند-مقیاس
• 14. معماری چند-وجهی فوژ فضا-زمان
• 15. توجه زمانی در شبکه‌های گراف
• 16. گراف‌های پویای تطبیقی و یادگیری ساختار
• 17. یادگیری نمایش گراف با خود-رگرسیون
• 18. پیش‌بینی چند‌مرحله‌ای با مدل‌های گرافی
• 19. مدل‌های انتشار-تبدیل برای سری‌های زمانی
• 20. Graph Isomorphism Network در سری‌های زمانی
• 21. یادگیری نمایش گراف با اتلاف‌کننده
• 22. معماری ترکیبی CNN-Graph برای سری‌های زمانی
• 23. مدل‌های مبتنی بر فرایند نقطه-عمدی
• 24. پیش‌بینی ترافیک شهری با گراف پویا
• 25. پیش‌بینی هواشناسی فضایی-زمانی
• 26. پیش‌بینی بورس و سرمایه با گراف پویا
• 27. تشخیص شاذ در سری‌های زمانی گرافی
• 28. شبکه‌های گرافی عمیق برای انحراف
• 29. یادگیری منتقل در گراف‌های زمانی
• 30. یادگیری چند-پیوندی برای گراف‌های پویا
• 31. مدل‌های تکاملی گراف با LSTM
• 32. مدل‌های تکاملی گراف با Transformer
• 33. توجه سفت‌سخت در شبکه‌های گراف زمانی
• 34. فشرده‌سازی گراف برای پیش‌بینی سریع‌تر
• 35. یادگیری بدون نظارت روی گراف‌های زمانی
• 36. شبکه‌های رقابتی مولد برای سری‌های زمانی گرافی
• 37. تقویت داده با تولید گراف مصنوعی
• 38. مدل‌های ترکیبی گراف و فرکانس
• 39. تجزیه فرکانسی-فضایی با گراف
• 40. پیش‌بینی سری‌های زمانی چندپایه
• 41. مدل‌های چند-مقیاس برای گراف پویا
• 42. شبکه‌های فرا-گراف برای تعاملات پیچیده
• 43. یادگیری بازنمایی گراف به‌صورت آنلاین
• 44. بهینه‌سازی ساختار گراف با یادگیری
• 45. گراف‌های جهت‌دار وزنی در سری‌های زمانی
• 46. مدل‌های پنهان‌مارکووی گرافی
• 47. فیلترهای گرافی در حوزهٔ فرکانس
• 48. کانولوشن گرافی سریع با FFT
• 49. معماری ترکیبی گراف-رکurrent-توجه
• 50. پیش‌بینی با داده‌های ناقص و گراف‌های ناقص
• 51. مدیریت گراف‌های متغیر-اندازه
• 52. یادگیری از گراف‌های ناهمگن
• 53. یکپارچه‌سازی داده‌های متنوع در گراف
• 54. مدل‌های چند-وظیفه‌ای گرافی
• 55. تخمین عدم‌قطعی در پیش‌بینی گرافی
• 56. بیزین گرافی برای سری‌های زمانی
• 57. یادگیری تقویتی برای ساختار گراف
• 58. بهینه‌سازی هذیولوژیک در مدل‌های گرافی
• 59. مقایسه عملکرد مدل‌های گرافی
• 60. معیارهای ارزیابی پیش‌بینی فضا-زمانی
• 61. بیس‌لاین‌های رقابتی: ARIMA, Prophet, LSTM
• 62. استقرار مدل در مقیاس بزرگ
• 63. بهینه‌سازی سرعت استنتاج در مدل‌های گرافی
• 64. کاهش مصرف حافظه در آموزش گرافی
• 65. پارالل‌سازی آموزش شبکه‌های گراف
• 66. پایش و دیباگ مدل‌های گراف پویا
• 67. تفسیرپذیری مدل‌های یادگیری گراف
• 68. توضیح‌پذیری پیش‌بینی‌ها با SHAP و Grad-CAM
• 69. اخلاق و عدالت در پیش‌بینی‌های گرافی
• 70. کاربرد در اینترنت اشیا و سنسورها
• 71. کاربرد در شبکه‌های اجتماعی پویا
• 72. کاربرد در بهداشت و سلامت
• 73. کاربرد در انرژی و برق
• 74. کاربرد در حمل‌ونقل هوایی
• 75. کاربرد در زلزله‌شناسی
• 76. کاربرد در مالی و بیمه
• 77. پروژهٔ عملی: پیش‌بینی ترافیک با Graph WaveNet
• 78. پروژهٔ عملی: پیش‌بینی هواشناسی با STGCN
• 79. پروژهٔ عملی: پیش‌بینی بورس با DCRNN
• 80. آماده‌سازی محیط کدنویسی PyTorch Geometric
• 81. آماده‌سازی محیط کدنویسی DGL
• 82. پیاده‌سازی GCN از صفر برای سری‌های زمانی
• 83. پیاده‌سازی مدل انتشار-تبدیل
• 84. آموزش مدل با داده‌های واقعی شهری
• 85. تنظیم ابرپارامترها در مدل‌های گرافی
• 86. تعادل بیش‌برازش و کم‌برازش
• 87. یادگیری انتقالی بین شهرها با گراف
• 88. مدل‌های پیش‌آموزشی برای گراف‌های زمانی
• 89. مدل‌های زیرباندی و فوق‌باندی
• 90. کانولوشن گرافی نرم با اتلاف‌کننده
• 91. گراف‌های پویای چند-نمایه
• 92. یادگیری با برچسب‌های کم در گراف‌های زمانی
• 93. مدل‌های ترکیبی گراف و حالت-فضایی
• 94. مدل‌های ترکیبی گراف و خروجی-فضایی
• 95. معماری ترکیبی عمیق فضا-زمان-گراف
• 96. مدل‌های انتشار چند-مرحله‌ای
• 97. جمع‌بندی و روندهای آیندهٔ یادگیری گراف پویا