دوره مقدمه‌ای بر محاسبات در گراف‌های عصبی (Graph Neural Networks) در HPC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مقدمه‌ای بر محاسبات در گراف‌های عصبی (Graph Neural Networks) در HPC

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر محاسبات در گراف‌های عصبی (Graph Neural Networks) در HPC
• 2. مقدمه و پیش‌نیازها
• 3. آشنایی با مفاهیم اولیه برنامه نویسی
• 4. مفاهیم پایه ریاضیات گسسته و جبر خطی
• 5. مبانی یادگیری ماشین و شبکه‌های عصبی
• 6. مروری بر ساختار داده‌ها و الگوریتم‌ها
• 7. مقدمه‌ای بر محاسبات سطح بالا (HPC)
• 8. آشنایی با مفاهیم گراف و نظریه گراف
• 9. معرفی کتابخانه‌ها و ابزارهای مورد نیاز (PyTorch, TensorFlow, DGL, etc.)
• 10. تنظیم محیط توسعه و نصب نرم‌افزارها
• 11. ساختارهای داده گراف: لیست مجاورت، ماتریس مجاورت
• 12. بررسی مجموعه داده‌های گراف استاندارد
• 13. مبانی شبکه‌های عصبی گراف (GNNs)
• 14. مفاهیم اساسی GNN: گره‌ها، یال‌ها، ویژگی‌ها
• 15. بررسی انواع مختلف گراف‌ها: همگن، ناهمگن، جهت‌دار، بی‌جهت
• 16. عملگرهای اساسی در GNN: جمع، میانگین، ماکسیمم
• 17. معرفی لایه‌های اصلی GNN: GCN، GAT، GraphSage
• 18. پیاده‌سازی ساده‌ترین GNNها با PyTorch/TensorFlow
• 19. انتشار پیام (Message Passing) و جمع‌آوری پیام (Message Aggregation)
• 20. تابع فعال‌سازی و انتخاب بهترین تابع
• 21. بهینه‌سازی GNN: توابع هزینه و الگوریتم‌های بهینه‌سازی (SGD, Adam)
• 22. ارزیابی مدل‌های GNN: معیارها و متدهای ارزیابی
• 23. تنظیم پارامترهای GNN: هایپرپارامترها و تنظیم آن‌ها
• 24. ساختارهای گراف و پیش‌پردازش
• 25. اهمیت پیش‌پردازش داده‌های گراف
• 26. نویز در داده‌های گراف و روش‌های مقابله با آن
• 27. نرمال‌سازی ویژگی‌های گره و یال
• 28. انتخاب و مهندسی ویژگی‌ها
• 29. روش‌های نمونه‌برداری گراف: subgraph sampling
• 30. تکنیک‌های افزایش داده‌ها (Data Augmentation) برای گراف‌ها
• 31. تعادل کلاس در داده‌های گراف
• 32. تبدیل فرمت‌های مختلف گراف
• 33. آشنایی با کتابخانه‌های تخصصی پیش‌پردازش گراف
• 34. فیلتر کردن و حذف نویز از گراف
• 35. معماری‌های پیشرفته GNN
• 36. GCN (Graph Convolutional Networks): بررسی عمیق
• 37. GAT (Graph Attention Networks): مکانیسم توجه (attention)
• 38. GraphSage: نمونه‌برداری و یادگیری تعبیه‌سازی
• 39. معرفی GIN (Graph Isomorphism Network)
• 40. شبکه‌های گراف ناهمگن (Heterogeneous Graph Neural Networks)
• 41. شبکه‌های گراف پویا (Dynamic Graph Neural Networks)
• 42. شبکه‌های گراف فضایی (Spatial Graph Neural Networks)
• 43. شبکه‌های گراف مبتنی بر Transformer
• 44. مدل‌های GNN برای داده‌های بزرگ
• 45. مروری بر جدیدترین معماری‌های GNN
• 46. کاربردهای GNN
• 47. کاربرد GNN در طبقه‌بندی گره
• 48. کاربرد GNN در پیش‌بینی یال
• 49. کاربرد GNN در طبقه‌بندی گراف
• 50. GNN برای سیستم‌های توصیه گر
• 51. GNN در بیوانفورماتیک و داروسازی
• 52. GNN در پردازش زبان طبیعی (NLP)
• 53. GNN در شبکه‌های اجتماعی
• 54. GNN در تشخیص تقلب
• 55. GNN در تصویربرداری پزشکی
• 56. کاربردهای آینده GNN
• 57. مبانی HPC برای GNN
• 58. مقدمه‌ای بر معماری‌های موازی
• 59. مدل‌های برنامه‌نویسی موازی (MPI, OpenMP, CUDA)
• 60. آشنایی با مفهوم CPU و GPU
• 61. بهینه‌سازی عملکرد کد برای GPU
• 62. مفاهیم حافظه مشترک و توزیع‌شده
• 63. آشنایی با سیستم‌های فایل توزیع‌شده
• 64. مقایسه CPU و GPU برای GNN
• 65. مقدمه‌ای بر کتابخانه‌های HPC (cuGraph, DGL-HPC)
• 66. بهینه‌سازی حافظه و پهنای باند
• 67. شناسایی گلوگاه‌های محاسباتی
• 68. GNN در محیط‌های HPC
• 69. پیاده‌سازی GNN با استفاده از CUDA
• 70. بهینه‌سازی GNN برای GPU های چندگانه
• 71. مقیاس‌گذاری GNN برای خوشه‌های HPC
• 72. استفاده از MPI برای آموزش GNN توزیع‌شده
• 73. استفاده از کتابخانه‌های DGL-HPC و cuGraph
• 74. آزمون و ارزیابی عملکرد در محیط‌های HPC
• 75. مدیریت حافظه در محیط‌های HPC
• 76. استفاده از profiling tools برای بهینه‌سازی
• 77. استراتژی‌های پارالل‌سازی در GNN
• 78. مقایسه عملکرد GNN با معماری‌های مختلف HPC
• 79. بهینه‌سازی عملکرد و مقیاس‌پذیری GNN
• 80. بهینه‌سازی عملیات ضرب ماتریس گراف (sparse matrix-vector multiplication)
• 81. بهینه‌سازی عملیات جمع‌آوری پیام (message aggregation)
• 82. بهینه‌سازی استفاده از حافظه
• 83. استفاده از تکنیک‌های mixed-precision
• 84. مقیاس‌پذیری GNN در خوشه های HPC
• 85. استفاده از تکنیک‌های نمونه‌برداری برای داده‌های بزرگ
• 86. بهینه‌سازی GNN برای حافظه‌های HBM
• 87. استفاده از تکنیک‌های compression و sparsification
• 88. بررسی کتابخانه‌های بهینه‌سازی GNN
• 89. ارزیابی و مقایسه عملکرد GNN‌های بهینه‌سازی شده
• 90. چالش‌ها و تحقیقات آتی
• 91. چالش‌های داده‌های گراف بزرگ
• 92. چالش‌های آموزش GNN عمیق
• 93. مشکلات over-smoothing در GNN
• 94. توضیح‌پذیری GNN (Explainable GNN)
• 95. GNN‌های مقاوم در برابر حملات
• 96. ادغام GNN با سایر تکنیک‌های یادگیری
• 97. تحقیقات اخیر در زمینه GNN
• 98. آینده GNN در محاسبات سطح بالا
• 99. GNN و هوش مصنوعی عمومی (AGI)
• 100. اخلاق در استفاده از GNN