کتاب صوتی پیش‌بینی فروپاشی همکاری در شبکه‌های پیچیده با استفاده از یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی فروپاشی همکاری در شبکه‌های پیچیده با استفاده از یادگیری ماشین

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: یادگیری ماشین در نظریه گراف تکاملی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر دوره: پیش‌بینی فروپاشی همکاری
• 2. اهمیت مطالعه شبکه‌های همکاری پیچیده
• 3. مروری بر نظریه گراف تکاملی
• 4. آشنایی با شبکه‌های پیچیده
• 5. تعریف و انواع شبکه‌های همکاری
• 6. مسئله فروپاشی همکاری: چرا و چگونه؟
• 7. مقدمه‌ای بر یادگیری ماشین برای گراف‌ها
• 8. کاربرد یادگیری ماشین در مسائل اجتماعی
• 9. اصول پایه‌ای نظریه گراف: گره‌ها و یال‌ها
• 10. نمایش گراف‌ها: ماتریس مجاورت و لیست مجاورت
• 11. ویژگی‌های ساختاری گراف‌ها: چگالی، درجه، مسیر
• 12. آشنایی با انواع گراف: جهت‌دار، وزن‌دار، ساده
• 13. مقدمه‌ای بر پویایی تکاملی روی گراف‌ها
• 14. نظریه بازی‌ها روی گراف‌ها: مفاهیم کلیدی
• 15. مدل‌های تکاملی: دینامیک تکرارکننده
• 16. پدیده همکاری و رقابت در شبکه‌ها
• 17. مفهوم ثبات تکاملی در گراف‌ها
• 18. نقش توپولوژی شبکه در فرآیندهای تکاملی
• 19. احتمال تثبیت استراتژی‌ها در گراف‌ها
• 20. بازی‌های هماهنگی و معضل زندانی روی گراف‌ها
• 21. بازی‌های کالای عمومی و پویایی همکاری
• 22. شبکه‌های تطبیقی و تکامل همزمان
• 23. مدل‌سازی عامل‌محور در نظریه گراف تکاملی
• 24. تکامل ساختار شبکه در طول زمان
• 25. تأثیر جهش و انتخاب در دینامیک گراف‌ها
• 26. ویژگی‌های شبکه‌های همکاری دنیای واقعی
• 27. تحلیل ساختار شبکه‌های هم‌تألیفی علمی
• 28. بررسی شبکه‌های همکاری سازمانی
• 29. معیارهای اندازه‌گیری قدرت و کیفیت همکاری
• 30. تحول الگوهای همکاری در طول زمان
• 31. تعریف دقیق فروپاشی همکاری در شبکه‌ها
• 32. نشانه‌های هشدار اولیه فروپاشی همکاری
• 33. سازوکارهای فروپاشی: از دست دادن اعتماد
• 34. سازوکارهای فروپاشی: کاهش منابع
• 35. سازوکارهای فروپاشی: شوک‌های خارجی
• 36. سازوکارهای فروپاشی: درگیری‌های داخلی
• 37. فروپاشی آبشاری در شبکه‌های همکاری
• 38. شناسایی گره‌ها و یال‌های بحرانی برای فروپاشی
• 39. پویایی زمانی شکست همکاری
• 40. مطالعات موردی فروپاشی شبکه‌های واقعی
• 41. مرور مبانی یادگیری ماشین: یادگیری با نظارت
• 42. یادگیری بدون نظارت و تقویتی
• 43. طبقه‌بندی و رگرسیون در یادگیری ماشین
• 44. مهندسی ویژگی: هسته یادگیری ماشین
• 45. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 46. ارزیابی مدل‌های یادگیری ماشین: دقت، فراخوانی
• 47. مقدمه‌ای بر یادگیری ماشین روی گراف‌ها
• 48. جاسازی گراف (Graph Embeddings): Node2Vec، DeepWalk
• 49. استفاده از روش‌های کلاسیک ML با ویژگی‌های گراف
• 50. مقدمه‌ای بر شبکه‌های عصبی گراف (GNNs)
• 51. شبکه‌های عصبی گراف پیچشی (GCNs)
• 52. شبکه‌های توجه‌محور گراف (GATs)
• 53. GNN‌های بازگشتی برای گراف‌های پویا
• 54. مدل‌های مبتنی بر پیام‌رسانی در GNNs
• 55. معماری‌های پیشرفته GNN برای پیش‌بینی
• 56. منابع داده برای شبکه‌های همکاری
• 57. استخراج و آماده‌سازی داده‌های گراف
• 58. مدیریت داده‌های از دست رفته در گراف‌ها
• 59. نمایش داده‌های زمانی برای شبکه‌ها
• 60. مهندسی ویژگی‌های ساختاری از توپولوژی شبکه
• 61. ویژگی‌های سطح گره: درجه، مرکزیت‌ها، خوشه‌بندی
• 62. ویژگی‌های سطح یال: شباهت Jaccard، Adamic-Adar
• 63. ویژگی‌های سطح گراف: ضریب خوشه‌بندی، قطر
• 64. ویژگی‌های زمانی: تغییرات مرکزیت، فعالیت گره
• 65. استخراج ویژگی از مدل‌های نظریه بازی تکاملی
• 66. ویژگی‌های رفتاری عوامل در گراف
• 67. کدگذاری ویژگی‌های گراف پویا
• 68. تکنیک‌های انتخاب ویژگی برای داده‌های گراف
• 69. کاهش ابعاد ویژگی‌ها در گراف‌های پیچیده
• 70. ایجاد مجموعه داده‌های برچسب‌دار برای پیش‌بینی فروپاشی
• 71. فرمول‌بندی پیش‌بینی فروپاشی به عنوان مسئله طبقه‌بندی
• 72. رگرسیون لجستیک برای پیش‌بینی دودویی فروپاشی
• 73. درخت‌های تصمیم و جنگل‌های تصادفی با ویژگی‌های گراف
• 74. ماشین‌های تقویت گرادیان (XGBoost, LightGBM)
• 75. ماشین‌های بردار پشتیبان (SVM) برای طبقه‌بندی گراف
• 76. استفاده از GNNs برای طبقه‌بندی گره/گراف در فروپاشی
• 77. GNNهای زمانی برای پیش‌بینی فروپاشی پویا
• 78. تحلیل بقا برای پیش‌بینی زمان فروپاشی
• 79. شبکه‌های عصبی بازگشتی (RNNs) برای داده‌های گراف سری زمانی
• 80. روش‌های جمعی (Ensemble Methods) برای پیش‌بینی قوی
• 81. تکنیک‌های تشخیص ناهنجاری برای نشانه‌های اولیه فروپاشی
• 82. پیش‌بینی انواع مختلف فروپاشی همکاری
• 83. یادگیری انتقالی در شبکه‌های همکاری
• 84. روش‌های بدون نظارت برای شناسایی الگوهای فروپاشی
• 85. مدل‌های ML قابل تفسیر برای سازوکارهای فروپاشی
• 86. معیارهای پیشرفته ارزیابی: ROC-AUC، Precision-Recall
• 87. مواجهه با داده‌های نامتعادل در پیش‌بینی فروپاشی
• 88. ارزیابی زمان‌مند برای پیش‌بینی‌های پویا
• 89. استراتژی‌های اعتبارسنجی متقابل برای داده‌های گراف
• 90. تفسیر مدل: SHAP و LIME برای ویژگی‌های گراف
• 91. شناسایی عوامل علیتی فروپاشی
• 92. توضیحات متقابل واقعی برای جلوگیری از فروپاشی
• 93. ملاحظات اخلاقی در پیش‌بینی پدیده‌های اجتماعی
• 94. مسائل حریم خصوصی در داده‌های شبکه‌های همکاری
• 95. مقیاس‌پذیری مدل‌های ML برای شبکه‌های بزرگ
• 96. مطالعه موردی: پیش‌بینی زوال همکاری‌های علمی
• 97. مطالعه موردی: فروپاشی تیم‌های سازمانی
• 98. طراحی مداخلات بر اساس پیش‌بینی‌ها
• 99. مسیرهای آینده: فراتر از فروپاشی، به سوی تاب‌آوری
• 100. مرزهای پژوهش در ML برای نظریه گراف تکاملی