کتاب صوتی IVGAE-TAMA-BO: پیش‌بینی پیوند در شبکه‌های تجارت جهانی مواد غذایی با استفاده از مدل‌های گراف پویا و بهینه‌سازی بیزی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره IVGAE-TAMA-BO: پیش‌بینی پیوند در شبکه‌های تجارت جهانی مواد غذایی با استفاده از مدل‌های گراف پویا و بهینه‌سازی بیزی

موضوع کلی: شبکه‌های پیچیده و هوش مصنوعی در تجارت

موضوع میانی: مدل‌سازی و پیش‌بینی شبکه‌های پویا با یادگیری عمیق

📋 سرفصل‌های دوره

• 1. معرفی هوش مصنوعی و یادگیری ماشین: چشم‌انداز کلی
• 2. مفاهیم کلیدی در یادگیری عمیق
• 3. مروری بر شبکه‌های عصبی و معماری‌های پایه
• 4. تابع فعال‌سازی، تابع هزینه و بهینه‌سازی
• 5. گرادیان کاهشی و روش‌های پیشرفته‌تر
• 6. انتشار معکوس (Backpropagation): اصول و کاربرد
• 7. مقدمه‌ای بر خودرمزگذارها (Autoencoders)
• 8. خودرمزگذار واریشنال (Variational Autoencoders - VAEs): مفاهیم پایه
• 9. مقدمه‌ای بر احتمالات و آمار در یادگیری ماشین
• 10. مبانی استنباط بیزی
• 11. معرفی نظریه گراف و مفاهیم بنیادین
• 12. نمایش گراف‌ها: ماتریس مجاورت، لیست مجاورت و ماتریس لاپلاس
• 13. انواع گراف‌ها: جهت‌دار، بی‌جهت، وزن‌دار و ...
• 14. معیارهای مرکزی در گراف‌ها: درجه، بینابینی، نزدیکی
• 15. خوشه‌بندی در گراف‌ها و شناسایی جوامع
• 16. شبکه‌های پیچیده: ویژگی‌ها و مثال‌ها
• 17. شبکه‌های پویا: تعریف و اهمیت تغییرات زمانی
• 18. چالش‌های تحلیل داده‌های شبکه‌ای بزرگ
• 19. مبانی تحلیل سری‌های زمانی
• 20. نمایش و پیش‌پردازش داده‌های سری زمانی
• 21. مقدمه‌ای بر بهینه‌سازی: الگوریتم‌ها و کاربردها
• 22. ارزیابی مدل‌ها در یادگیری ماشین: معیارهای پایه
• 23. داده‌های ساختاریافته و غیرساختاریافته
• 24. اهمیت نمایش ویژگی‌های موثر (Feature Engineering)
• 25. معرفی ابزارهای برنامه‌نویسی و کتابخانه‌های یادگیری عمیق (مثلاً PyTorch/TensorFlow)
• 26. مقدمه‌ای بر شبکه‌های عصبی گراف (GNNs): منطق اساسی
• 27. چارچوب انتقال پیام (Message Passing) در GNNs
• 28. شبکه‌های عصبی گراف پیچشی (Graph Convolutional Networks - GCNs)
• 29. لایه‌های GCN: نحوه محاسبه و انتشار اطلاعات
• 30. شبکه‌های گراف توجهی (Graph Attention Networks - GATs)
• 31. مکانیسم توجه در GAT: وزن‌دهی به همسایگان
• 32. خودرمزگذار گراف (Graph Autoencoders - GAE)
• 33. معماری و تابع هدف GAE برای یادگیری نمایش گراف
• 34. خودرمزگذار گراف واریشنال (VGAE): یادگیری توزیع پنهان
• 35. جزئیات استنباط واریشنال در VGAE
• 36. تابع هدف ELBO (Evidence Lower Bound) در VGAE
• 37. طرح Reparameterization Trick برای آموزش VGAE
• 38. یادگیری Embeddings (نمایش‌های پنهان) در گراف‌ها
• 39. روش‌های آموزش Embeddings گراف (Node2Vec, DeepWalk)
• 40. چالش‌های VGAE در مدل‌سازی گراف‌های پویا
• 41. محدودیت‌های مدل‌های گراف استاتیک برای تغییرات زمانی
• 42. معرفی مدل‌های مولد گراف بر اساس GNNs
• 43. کاربردهای GNNs در پیش‌بینی پیوند و دسته‌بندی گره
• 44. مبانی نظریه اطلاعات در مدل‌های واریشنال
• 45. هموارسازی ویژگی‌های گره با GNNs
• 46. تفاوت‌های کلیدی بین GCN، GAT و GAE/VGAE
• 47. مدل‌سازی گراف‌ها با ویژگی‌های گره و یال
• 48. مفهوم Implicit Probabilistic Models در یادگیری عمیق
• 49. شبکه‌های گراف پویا: مفهوم و چگونگی تکامل
• 50. نمایش شبکه‌های گراف پویا: اسنپ‌شات‌ها و جریان رویداد
• 51. چالش‌های مدل‌سازی تکامل ساختار و ویژگی‌ها در زمان
• 52. شبکه‌های عصبی بازگشتی (RNNs): مرور و کاربرد در زمان
• 53. شبکه‌های حافظه بلند کوتاه‌مدت (LSTMs) برای وابستگی‌های طولانی‌مدت
• 54. واحدهای بازگشتی دروازه‌بندی شده (GRUs): نسخه سبک‌تر LSTM
• 55. مکانیسم‌های توجه (Attention Mechanisms) در یادگیری عمیق: مرور کلی
• 56. توجه خودکار (Self-Attention) و معماری ترانسفورمر
• 57. کاربرد مکانیسم توجه در مدل‌سازی سری‌های زمانی
• 58. ادغام GNNs با RNNs برای گراف‌های پویا: رویکردهای اولیه
• 59. شبکه‌های گراف زمانی (Temporal Graph Networks - TGNs): معماری کلی
• 60. روش‌های جمع‌آوری اطلاعات زمانی در TGNs
• 61. اهمیت حافظه در مدل‌سازی گراف‌های پویا
• 62. انواع حافظه در مدل‌های یادگیری عمیق (کوتاه‌مدت، بلندمدت)
• 63. نیاز به حافظه ساختاری برای حفظ اطلاعات ساختار گذشته
• 64. چگونگی ذخیره‌سازی و بازیابی اطلاعات ساختاری شبکه
• 65. مفهوم "مومنتوم" (Momentum) در یادگیری ماشین و بهینه‌سازی
• 66. به کارگیری مومنتوم برای به‌روزرسانی حافظه
• 67. چالش‌های مرتبط با تغییرات سریع در شبکه‌های پویا
• 68. مدل‌سازی تکامل و ظهور/ناپدید شدن پیوندها
• 69. تشخیص تغییرات مهم در ساختار شبکه
• 70. تاثیر ویژگی‌های زمانی بر پیش‌بینی پیوند
• 71. معماری‌های پیشرفته‌تر GNN برای داده‌های زمانی-مکانی
• 72. معرفی IVGAE: خودرمزگذار گراف واریشنال ضمنی (Implicit VGAE)
• 73. مبانی و مزایای استفاده از مدل‌های ضمنی در زمینه گراف
• 74. فرمول‌بندی ریاضی IVGAE و تابع تولید (Generator)
• 75. استنباط واریشنال با توزیع‌های ضمنی در IVGAE
• 76. طراحی تابع هدف ELBO برای IVGAE
• 77. تکنیک‌های آموزش IVGAE: نمونه‌برداری و تخمین گرادیان
• 78. نوآوری‌های IVGAE نسبت به VGAE سنتی در مدل‌سازی گراف‌های پویا
• 79. معرفی TAMA: توجه زمانی با حافظه ساختاری مومنتوم
• 80. معماری ماژول توجه زمانی (Temporal Attention) در TAMA
• 81. محاسبه وزن‌های توجه زمانی برای رویدادهای گراف
• 82. طراحی حافظه ساختاری (Structural Memory) برای گره‌ها
• 83. ذخیره‌سازی نمایش‌های ساختاری گذشته گره‌ها
• 84. الگوریتم به‌روزرسانی حافظه ساختاری با مومنتوم
• 85. مزایای مومنتوم در حفظ پایداری و یادگیری تغییرات تدریجی
• 86. یکپارچه‌سازی ماژول‌های IVGAE و TAMA
• 87. جریان اطلاعات و لایه‌های ارتباطی در IVGAE-TAMA
• 88. تابع هدف کلی و فرآیند آموزش end-to-end مدل IVGAE-TAMA
• 89. تعریف دقیق مسئله پیش‌بینی پیوند در شبکه‌های پویا
• 90. کاربردهای عملی پیش‌بینی پیوند (شبکه‌های اجتماعی، بیولوژیکی، تجارت)
• 91. معیارهای ارزیابی عملکرد پیش‌بینی پیوند: AUC و Average Precision
• 92. معیارهای دیگر: دقت، بازیابی، F1-score، Kappa
• 93. مقدمه‌ای بر بهینه‌سازی بیزی (Bayesian Optimization) برای تنظیم فراپارامترها
• 94. مفاهیم پایه در فرآیندهای گوسی (Gaussian Processes)
• 95. توابع اکتساب (Acquisition Functions): Expected Improvement (EI) و Upper Confidence Bound (UCB)
• 96. الگوریتم گام به گام بهینه‌سازی بیزی در عمل
• 97. داده‌های شبکه‌های تجارت جهانی مواد غذایی: ساختار و ویژگی‌ها
• 98. پیش‌پردازش داده‌های تجارت مواد غذایی برای مدل IVGAE-TAMA-BO
• 99. پیاده‌سازی، آموزش و ارزیابی مدل IVGAE-TAMA-BO
• 100. تحلیل نتایج، محدودیت‌ها، جهات آینده و ملاحظات اخلاقی در مدل‌سازی شبکه‌های پیچیده