کتاب صوتی انتخاب نمونه‌های متمایز برای نمایش گراف با یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره انتخاب نمونه‌های متمایز برای نمایش گراف با یادگیری عمیق

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق و گراف

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. شبکه‌های عصبی مصنوعی
• 5. مقدمه‌ای بر یادگیری عمیق
• 6. معماری‌های شبکه‌های عصبی عمیق
• 7. شبکه‌های عصبی کانولوشنال (CNN)
• 8. شبکه‌های عصبی بازگشتی (RNN)
• 9. پردازش زبان طبیعی (NLP)
• 10. یادگیری نمایش (Representation Learning)
• 11. مقدمه‌ای بر نمایش گراف (Graph Embedding)
• 12. اهمیت نمایش گراف در یادگیری ماشین
• 13. کاربردهای نمایش گراف
• 14. انواع روش‌های نمایش گراف
• 15. روش‌های مبتنی بر فاکتورگیری ماتریس
• 16. روش‌های مبتنی بر انتشار احتمالات
• 17. روش‌های مبتنی بر شبکه‌های عصبی
• 18. شبکه‌های عصبی برای نمایش گراف
• 19. یادگیری نمایش گراف عمیق
• 20. نمایش گراف متوالی (Sequential Graph Embedding)
• 21. نمایش گراف متنی (Textual Graph Embedding)
• 22. نمایش گراف اجتماعی (Social Graph Embedding)
• 23. نمایش گراف دانش (Knowledge Graph Embedding)
• 24. نمایش گراف در حوزه‌های مختلف
• 25. انتخاب نمونه‌های متمایز (Discriminative Prototype Selection)
• 26. اهمیت انتخاب نمونه‌های متمایز
• 27. کاربردهای انتخاب نمونه‌های متمایز
• 28. روش‌های سنتی انتخاب نمونه‌های متمایز
• 29. روش‌های مبتنی بر فاصله
• 30. روش‌های مبتنی بر تراکم
• 31. انتخاب نمونه‌های متمایز برای نمایش گراف
• 32. چالش‌های انتخاب نمونه‌های متمایز در نمایش گراف
• 33. انتخاب نمونه‌های متمایز با رویکرد یادگیری عمیق
• 34. معماری‌های یادگیری عمیق برای انتخاب نمونه‌های متمایز
• 35. توابع هزینه (Loss Functions) برای انتخاب نمونه‌های متمایز
• 36. بهینه‌سازی (Optimization) مدل‌های انتخاب نمونه‌های متمایز
• 37. ارزیابی (Evaluation) مدل‌های انتخاب نمونه‌های متمایز
• 38. معیارهای ارزیابی نمایش گراف
• 39. معیارهای ارزیابی انتخاب نمونه‌های متمایز
• 40. مطالعات موردی (Case Studies)
• 41. انتخاب نمونه‌های متمایز برای طبقه‌بندی گراف
• 42. انتخاب نمونه‌های متمایز برای خوشه‌بندی گراف
• 43. انتخاب نمونه‌های متمایز برای پیش‌بینی پیوند
• 44. انتخاب نمونه‌های متمایز برای کشف جامعه
• 45. انتخاب نمونه‌های متمایز در شبکه‌های عصبی گراف (GNNs)
• 46. یادگیری نمایش گراف متمایز
• 47. مقدمه‌ای بر شبکه‌های عصبی گراف (GNNs)
• 48. معماری‌های مختلف GNNs
• 49. انتشار اطلاعات در GNNs
• 50. یادگیری نمایش گره (Node Embedding) با GNNs
• 51. یادگیری نمایش پیوند (Link Embedding) با GNNs
• 52. یادگیری نمایش گراف (Graph Embedding) با GNNs
• 53. انتخاب نمونه‌های متمایز در چارچوب GNNs
• 54. فریم‌ورک‌های یادگیری عمیق برای نمایش گراف
• 55. کتابخانه‌های پایتون برای نمایش گراف
• 56. پیاده‌سازی نمایش گراف با PyTorch Geometric
• 57. پیاده‌سازی نمایش گراف با Deep Graph Library (DGL)
• 58. پیاده‌سازی نمایش گراف با TensorFlow Graphics
• 59. آموزش و تنظیم پارامترها (Hyperparameter Tuning)
• 60. اعتبارسنجی متقابل (Cross-validation)
• 61. مدل‌های یادگیری عمیق برای انتخاب نمونه‌های متمایز
• 62. یادگیری تقویتی برای انتخاب نمونه‌های متمایز
• 63. یادگیری انتقالی (Transfer Learning) در نمایش گراف
• 64. یادگیری چند وظیفه‌ای (Multi-task Learning) در نمایش گراف
• 65. مباحث پیشرفته در نمایش گراف
• 66. نمایش گراف پویا (Dynamic Graph Embedding)
• 67. نمایش گراف ناهمگن (Heterogeneous Graph Embedding)
• 68. نمایش گراف با اطلاعات متنی
• 69. نمایش گراف با اطلاعات زمانی
• 70. نمایش گراف با اطلاعات مکانی
• 71. مقایسه روش‌های مختلف انتخاب نمونه‌های متمایز
• 72. مقایسه روش‌های مختلف نمایش گراف
• 73. مقایسه GNNs با روش‌های سنتی نمایش گراف
• 74. کاربردهای عملی نمایش گراف
• 75. نمایش گراف در سیستم‌های توصیه‌گر
• 76. نمایش گراف در تشخیص تقلب
• 77. نمایش گراف در کشف دارو
• 78. نمایش گراف در تحلیل شبکه‌های اجتماعی
• 79. نمایش گراف در سیستم‌های پرسش و پاسخ
• 80. نمایش گراف در پردازش تصویر
• 81. اخلاق در هوش مصنوعی و نمایش گراف
• 82. حریم خصوصی در داده‌های گراف
• 83. سوگیری در مدل‌های نمایش گراف
• 84. قابلیت تفسیر (Interpretability) در نمایش گراف
• 85. آینده نمایش گراف و انتخاب نمونه‌های متمایز