کتاب صوتی کشف کارتل‌های تبانی در مناقصات با استفاده از شبکه‌های عصبی گراف توجهی (GAT): یک رویکرد نوین با یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف کارتل‌های تبانی در مناقصات با استفاده از شبکه‌های عصبی گراف توجهی (GAT): یک رویکرد نوین با یادگیری عمیق

موضوع کلی: تحلیل داده و یادگیری ماشین در حوزه اقتصاد و بازارهای رقابتی

موضوع میانی: کاربرد شبکه‌های عصبی گراف در شناسایی تخلفات رقابتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر اقتصاد رقابتی و تبانی در مناقصات
• 2. چالش‌های شناسایی کارتل‌های تبانی
• 3. مروری بر روش‌های سنتی شناسایی تبانی
• 4. محدودیت‌های روش‌های سنتی
• 5. ضرورت رویکردهای نوین در تحلیل داده
• 6. معرفی یادگیری ماشین در تحلیل اقتصادی
• 7. یادگیری ماشین برای شناسایی الگوهای غیرعادی
• 8. شبکه‌های عصبی و قدرت یادگیری عمیق
• 9. مقدمه‌ای بر نظریه گراف
• 10. کاربرد نظریه گراف در تحلیل شبکه‌های اجتماعی و اقتصادی
• 11. شبکه‌های پیچیده و مدل‌سازی آن‌ها
• 12. مفهوم گره (Node) و یال (Edge) در گراف
• 13. انواع گراف‌ها (جهت‌دار، بدون جهت، وزنی)
• 14. نمایش داده‌های اقتصادی به صورت گراف
• 15. مناقصات به عنوان یک سیستم تعاملی
• 16. شرکت‌کنندگان مناقصه به عنوان گره‌ها
• 17. مناقصات و پیشنهادها به عنوان یال‌ها
• 18. اطلاعات مرتبط با هر مناقصه
• 19. اطلاعات مرتبط با هر شرکت‌کننده
• 20. ویژگی‌های گره‌ها (شرکت‌کنندگان)
• 21. ویژگی‌های یال‌ها (پیشنهادها)
• 22. ویژگی‌های گراف (کل مناقصه)
• 23. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 24. نحوه عملکرد GNN
• 25. انتشار اطلاعات در GNN
• 26. تجمع اطلاعات از همسایگان
• 27. یادگیری نمایش برداری (Embedding) گره‌ها
• 28. یادگیری نمایش برداری (Embedding) یال‌ها
• 29. یادگیری نمایش برداری (Embedding) کل گراف
• 30. انواع معماری‌های GNN
• 31. شبکه‌های انتشار پیام (Message Passing Neural Networks)
• 32. شبکه‌های کانولوشنال گراف (Graph Convolutional Networks - GCN)
• 33. شبکه‌های توجهی گراف (Graph Attention Networks - GAT)
• 34. مزایای GAT نسبت به GCN
• 35. مکانیسم توجه (Attention Mechanism) در GAT
• 36. محاسبه وزن توجه
• 37. اهمیت وزن توجه در GAT
• 38. قابلیت تفسیر در GAT
• 39. معماری GAT برای مسائل طبقه‌بندی گراف
• 40. معماری GAT برای مسائل پیش‌بینی یال
• 41. معماری GAT برای مسائل خوشه‌بندی گره
• 42. ساخت گراف مناقصه از داده‌های واقعی
• 43. انتخاب ویژگی‌های مناسب برای گره‌ها و یال‌ها
• 44. پردازش و پاکسازی داده‌های مناقصه
• 45. نحوه نمایش یک مناقصه به عنوان یک گراف
• 46. ساخت گراف برای یک مجموعه از مناقصات
• 47. مقیاس‌پذیری GNN برای داده‌های بزرگ
• 48. مجموعه داده‌های نمونه برای تبانی در مناقصات
• 49. مجموعه داده‌های مورد استفاده در مقاله "Catching Bid-rigging Cartels"
• 50. ویژگی‌های داده‌های تبانی (Bid-rigging)
• 51. شناسایی الگوهای مشکوک تبانی
• 52. الگوهای پیشنهادی در تبانی (Bid Patterns)
• 53. الگوهای زمانی در تبانی
• 54. الگوهای جغرافیایی در تبانی
• 55. الگوهای تعاملات بین شرکت‌کنندگان
• 56. شناسایی ساختارهای کارتل در گراف
• 57. کارتل به عنوان زیرگراف‌های خاص
• 58. شناسایی همبستگی‌های غیرعادی بین شرکت‌کنندگان
• 59. آموزش مدل GAT برای شناسایی تبانی
• 60. تعریف مسئله طبقه‌بندی: تبانی یا عدم تبانی
• 61. تابع زیان (Loss Function) مناسب برای طبقه‌بندی
• 62. بهینه‌سازی مدل GAT (Optimizer)
• 63. تنظیم فراپارامترها (Hyperparameter Tuning)
• 64. اعتبارسنجی مدل (Validation)
• 65. ارزیابی عملکرد مدل (Evaluation Metrics)
• 66. دقت (Accuracy)، دقت (Precision)، فراخوانی (Recall)، F1-Score
• 67. ماتریس درهم‌ریختگی (Confusion Matrix)
• 68. تحلیل حساسیت (Sensitivity Analysis)
• 69. کشف کارتل‌های تبانی با GAT
• 70. تفسیر نتایج GAT
• 71. نمایش گره‌ها و یال‌های مشکوک
• 72. شناسایی اعضای کلیدی کارتل
• 73. پیش‌بینی احتمال تبانی برای مناقصات جدید
• 74. کاربرد GAT در تحلیل داده‌های نهادهای نظارتی
• 75. مدل‌سازی تبانی در مناقصات دولتی
• 76. مدل‌سازی تبانی در مناقصات خصوصی
• 77. مطالعات موردی (Case Studies)
• 78. پیاده‌سازی GAT با فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 79. استفاده از کتابخانه‌های GNN (PyTorch Geometric, Deep Graph Library)
• 80. چالش‌های عملی در پیاده‌سازی GAT
• 81. نیاز به داده‌های برچسب‌گذاری شده (Labeled Data)
• 82. مشکل کمبود داده‌های تبانی واقعی
• 83. روش‌های مقابله با عدم تعادل داده‌ها (Data Imbalance)
• 84. افزایش داده (Data Augmentation) برای گراف‌ها
• 85. یادگیری انتقالی (Transfer Learning)
• 86. روش‌های شناسایی ناهنجاری (Anomaly Detection)
• 87. GAT به عنوان یک روش شناسایی ناهنجاری
• 88. مقایسه GAT با سایر روش‌های شناسایی ناهنجاری
• 89. قابلیت تفسیرپذیری GAT در شناسایی تبانی
• 90. تجسم سازی نتایج GAT
• 91. نمایش گراف تبانی
• 92. نمایش وزن‌های توجه
• 93. محدودیت‌های GAT در شناسایی تبانی
• 94. مقیاس‌پذیری GAT با تعداد گره‌ها و یال‌های زیاد
• 95. پیچیدگی محاسباتی GAT
• 96. موضوعات پیشرفته در GNN برای تحلیل اقتصادی
• 97. GNN برای تحلیل سری‌های زمانی اقتصادی
• 98. GNN برای تحلیل روابط سببی (Causal Inference)
• 99. GNN برای مدل‌سازی بازار با عوامل متعدد
• 100. استفاده از GAT برای شناسایی سایر تخلفات اقتصادی (مانند فریزینگ قیمت)