کتاب صوتی مبانی علم شبکه‌ها: تحلیل ساختار و پویایی شبکه‌های پیچیده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی علم شبکه‌ها: تحلیل ساختار و پویایی شبکه‌های پیچیده

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: شبکه‌های کامپیوتری و تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم شبکه‌ها
• 2. تعریف شبکه و اجزای آن
• 3. انواع شبکه‌های دنیای واقعی
• 4. نمایش ریاضی شبکه‌ها: گراف‌ها
• 5. مفاهیم پایه در نظریه گراف
• 6. درجات گره‌ها و توزیع درجات
• 7. مسیرها و فاصله‌ها در شبکه‌ها
• 8. کوتاه‌ترین مسیرها
• 9. قطر شبکه
• 10. خوشه‌بندی در شبکه‌ها
• 11. ضریب خوشه‌بندی
• 12. اندازه‌گیری مرکزیت گره‌ها
• 13. مرکزیت درجه
• 14. مرکزیت بینابینی
• 15. مرکزیت نزدیکی
• 16. مرکزیت تسلط
• 17. شبکه‌های تصادفی: مدل ارداش-انی
• 18. خواص شبکه‌های تصادفی
• 19. شبکه‌های کوچک جهان
• 20. مدل شبکه جهان کوچک (واتز-استروگاتز)
• 21. شبکه‌های مقیاس‌پذیر
• 22. مدل شبکه‌های رشد یافته (باراباسی-آلبرت)
• 23. خواص شبکه‌های مقیاس‌پذیر
• 24. تفاوت مدل‌های ارداش-انی و باراباسی-آلبرت
• 25. توزیع درجات در شبکه‌های مقیاس‌پذیر
• 26. شبکه‌های همگن و ناهمگن
• 27. شبکه‌های همساز و ناهمساز
• 28. ساختار جامعه در شبکه‌ها
• 29. تعریف جامعه
• 30. روش‌های شناسایی جوامع
• 31. مدولاریتی
• 32. الگوریتم‌های شناسایی جوامع
• 33. مفاهیم اولیه در تحلیل داده
• 34. مقدمه‌ای بر علم داده
• 35. جمع‌آوری و پاکسازی داده
• 36. نمایش داده‌ها
• 37. آمار توصیفی
• 38. مقدمه‌ای بر تحلیل اکتشافی داده (EDA)
• 39. بصری‌سازی داده‌ها
• 40. نمودارهای پراکندگی
• 41. هیستوگرام‌ها
• 42. نمودارهای جعبه‌ای
• 43. تحلیل داده‌های شبکه‌ای
• 44. کاربرد علم داده در تحلیل شبکه‌ها
• 45. استخراج ویژگی از شبکه‌ها
• 46. تکنیک‌های کاهش ابعاد
• 47. تحلیل مولفه‌های اصلی (PCA)
• 48. یادگیری عمیق برای تحلیل شبکه‌ها
• 49. مقدمه‌ای بر شبکه‌های عصبی
• 50. شبکه‌های عصبی کانولوشنی (CNN)
• 51. شبکه‌های عصبی بازگشتی (RNN)
• 52. شبکه‌های عصبی گراف (GNN)
• 53. مقدمه‌ای بر GNN
• 54. انواع GNN
• 55. کاربردهای GNN در تحلیل شبکه‌ها
• 56. پیش‌بینی پیوند در شبکه‌ها
• 57. شناسایی نفوذگران در شبکه‌ها
• 58. تحلیل احساسات در شبکه‌های اجتماعی
• 59. توصیه‌گرها بر اساس شبکه‌ها
• 60. تحلیل داده‌های بزرگ در شبکه‌ها
• 61. چالش‌های تحلیل داده‌های بزرگ
• 62. ابزارهای پردازش داده‌های بزرگ
• 63. پلتفرم‌های پردازش توزیع شده
• 64. مقدمه‌ای بر تحلیل سری‌های زمانی
• 65. مدل‌های سری زمانی
• 66. پیش‌بینی در سری‌های زمانی
• 67. کاربرد تحلیل سری زمانی در شبکه‌ها
• 68. تحلیل پویایی شبکه‌ها
• 69. مدل‌سازی انتشار در شبکه‌ها
• 70. مدل SIR
• 71. مدل SIS
• 72. مدل IC
• 73. مدل LT
• 74. تحلیل شبکه‌های اجتماعی
• 75. شناسایی افراد تأثیرگذار
• 76. تحلیل جریان اطلاعات
• 77. شناسایی اخبار جعلی
• 78. تحلیل شبکه‌های زیستی
• 79. شبکه‌های پروتئین-پروتئین
• 80. شبکه‌های متابولیک
• 81. شبکه‌های ژنی
• 82. تحلیل شبکه‌های حمل و نقل
• 83. بهینه‌سازی مسیرها
• 84. تحلیل تراکم ترافیک
• 85. تحلیل شبکه‌های مالی
• 86. شناسایی کلاهبرداری
• 87. تحلیل ریسک
• 88. مقدمه‌ای بر امنیت شبکه‌ها
• 89. آسیب‌پذیری‌ها در شبکه‌ها
• 90. روش‌های حمله به شبکه‌ها
• 91. روش‌های دفاع در شبکه‌ها
• 92. رمزنگاری در شبکه‌ها
• 93. پروتکل‌های امنیتی شبکه
• 94. فایروال‌ها و سیستم‌های تشخیص نفوذ
• 95. تحلیل و بصری‌سازی پیشرفته شبکه‌ها
• 96. تکنیک‌های بصری‌سازی تعاملی
• 97. تجزیه و تحلیل شبکه‌های پویا
• 98. مطالعات موردی در علم شبکه‌ها
• 99. کاربرد علم شبکه‌ها در حوزه‌های مختلف
• 100. اخلاق در تحلیل داده و علم شبکه‌ها