دوره مقدمه‌ای بر یادگیری عمیق گراف‌ها (Graph Deep Learning) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر یادگیری عمیق گراف‌ها (Graph Deep Learning)

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مبانی نظری گراف‌ها و کاربردهای آن‌ها
• 2. نمایش گراف‌ها در حافظه کامپیوتر
• 3. الگوریتم‌های پیمایش گراف (BFS و DFS)
• 4. مفاهیم پایه شبکه‌های عصبی مصنوعی
• 5. شبکه‌های عصبی کانولوشنی (CNN)
• 6. شبکه‌های عصبی بازگشتی (RNN)
• 7. مقدمه‌ای بر یادگیری عمیق
• 8. اصول یادگیری عمیق بر روی داده‌های ساختاریافته
• 9. محدودیت‌های یادگیری عمیق بر روی داده‌های غیرساختاریافته
• 10. نیاز به مدل‌سازی داده‌های گراف‌مانند
• 11. ساختارهای داده‌ای گراف و انواع آن‌ها
• 12. نودها، یال‌ها و ویژگی‌های گراف
• 13. انواع گراف‌ها: جهت‌دار، بدون جهت، وزنی
• 14. عمق‌سنجی گراف‌ها و کاربرد آن در شبکه‌های اجتماعی
• 15. نمایش ماتریسی گراف‌ها: ماتریس مجاورت و ماتریس وقوع
• 16. عمق‌سنجی گراف‌ها با استفاده از ماتریس‌ها
• 17. مقدمه‌ای بر یادگیری ماشین مبتنی بر گراف
• 18. شباهت و نا‌شباهت بین گره‌ها در گراف
• 19. استفاده از ویژگی‌های گره برای پیش‌بینی
• 20. استفاده از ویژگی‌های یال برای پیش‌بینی
• 21. بردارسازی گره‌ها (Node Embeddings)
• 22. روش‌های کلاسیک بردارسازی گره: DeepWalk
• 23. روش‌های کلاسیک بردارسازی گره: Node2Vec
• 24. مفاهیم اصلی انتشار اطلاعات در گراف
• 25. مدل‌های انتشار اطلاعات: SIR و SIS
• 26. نقش انتشار اطلاعات در شبکه‌های اجتماعی
• 27. معرفی شبکه‌های عصبی گراف (GNNs)
• 28. تفاوت GNNs با شبکه‌های عصبی سنتی
• 29. لایه‌های GNN برای انتشار پیام (Message Passing)
• 30. مکانیزم تجمیع (Aggregation) در GNNs
• 31. مکانیزم به‌روزرسانی (Update) در GNNs
• 32. معماری‌های پایه GNN: GCN (Graph Convolutional Network)
• 33. پیاده‌سازی GCN با استفاده از کتابخانه‌ها
• 34. GCN برای وظایف طبقه‌بندی گره
• 35. GCN برای وظایف پیش‌بینی یال
• 36. GCN برای وظایف طبقه‌بندی گراف
• 37. معماری‌های پیشرفته GNN: GraphSAGE
• 38. یادگیری نمایندگی برای گره‌های جدید در GraphSAGE
• 39. GraphSAGE برای شبکه‌های مقیاس بزرگ
• 40. معماری‌های پیشرفته GNN: GAT (Graph Attention Network)
• 41. مکانیسم توجه در GAT
• 42. مزایای GAT نسبت به GCN
• 43. کاربردهای GAT در پیش‌بینی خواص مولکولی
• 44. معماری‌های GNN برای پیش‌بینی خواص یال
• 45. معماری‌های GNN برای پیش‌بینی خواص گراف
• 46. یادگیری عمیق بر روی گراف‌های پویا (Dynamic Graphs)
• 47. مدل‌سازی تغییرات گراف در طول زمان
• 48. کاربرد GNNs در تحلیل شبکه‌های اجتماعی پویا
• 49. کاربرد GNNs در سیستم‌های توصیه‌گر
• 50. توصیه‌گرهای مبتنی بر گراف
• 51. مدل‌سازی روابط پیچیده در سیستم‌های توصیه‌گر
• 52. کاربرد GNNs در پردازش زبان طبیعی
• 53. تحلیل وابستگی بین کلمات با گراف
• 54. مدل‌سازی معنایی جملات با GNNs
• 55. کاربرد GNNs در شیمی و کشف دارو
• 56. پیش‌بینی خواص مولکولی با GNNs
• 57. طراحی مولکول‌های جدید با GNNs
• 58. کاربرد GNNs در حوزه‌های مالی
• 59. تشخیص تقلب در تراکنش‌های مالی با GNNs
• 60. تحلیل ریسک اعتباری با GNNs
• 61. کاربرد GNNs در شبکه‌های کامپیوتری
• 62. پیش‌بینی خرابی در شبکه‌های کامپیوتری
• 63. بهینه‌سازی مسیریابی در شبکه‌های کامپیوتری
• 64. مقدمه‌ای بر یادگیری تقویتی مبتنی بر گراف
• 65. کاربرد GNNs در یادگیری تقویتی
• 66. بهینه‌سازی تصمیم‌گیری در محیط‌های گراف‌مانند
• 67. یادگیری عمیق بر روی گراف‌های سه‌بعدی
• 68. کاربرد GNNs در بینایی ماشین سه‌بعدی
• 69. تحلیل ساختارهای سه‌بعدی با GNNs
• 70. ملاحظات اخلاقی در استفاده از GNNs
• 71. حفظ حریم خصوصی در داده‌های گراف‌مانند
• 72. تفسیرپذیری مدل‌های GNN
• 73. روش‌های ارزیابی مدل‌های GNN
• 74. معیارهای ارزیابی برای طبقه‌بندی گره
• 75. معیارهای ارزیابی برای پیش‌بینی یال
• 76. معیارهای ارزیابی برای طبقه‌بندی گراف
• 77. چالش‌های عملی در پیاده‌سازی GNNs
• 78. مقیاس‌پذیری GNNs برای گراف‌های بزرگ
• 79. مدیریت حافظه در GNNs
• 80. بهینه‌سازی آموزش مدل‌های GNN
• 81. معرفی کتابخانه‌ها و ابزارهای GNN
• 82. PyTorch Geometric
• 83. Deep Graph Library (DGL)
• 84. TensorFlow Graphics
• 85. مقدمه‌ای بر مدل‌های مولد گراف
• 86. تولید گراف‌های جدید با خواص دلخواه
• 87. کاربرد مدل‌های مولد گراف در طراحی
• 88. تکنیک‌های منظم‌سازی (Regularization) در GNNs
• 89. Dropout برای GNNs
• 90. Batch Normalization برای GNNs
• 91. مباحث پیشرفته در GNNs: Graph Transformers
• 92. کاربرد Graph Transformers در وظایف مختلف
• 93. مقایسه Graph Transformers با GNNs کلاسیک
• 94. مباحث پیشرفته در GNNs: GNNs برای داده‌های ناهمگن
• 95. مدل‌سازی گراف‌های با انواع مختلف گره و یال
• 96. کاربرد GNNs در پایگاه‌های دانش
• 97. مباحث پیشرفته در GNNs: GNNs برای گراف‌های فضایی-زمانی
• 98. تحلیل داده‌های مکانی-زمانی با GNNs
• 99. کاربرد GNNs در پیش‌بینی آب و هوا
• 100. آینده پژوهش در یادگیری عمیق گراف‌ها