فلش‌کارت‌های آموزشی ساخت و تحلیل گراف‌های دانش با Neo4j برای کاربردهای هوش مصنوعی و بازیابی اطلاعات پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و تحلیل گراف‌های دانش با Neo4j برای کاربردهای هوش مصنوعی و بازیابی اطلاعات پیشرفته

موضوع کلی: فناوری اطلاعات و پایگاه داده

موضوع میانی: پایگاه داده‌های گراف و تحلیل داده‌های پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پایگاه‌های داده و مفاهیم گراف
• 2. آشنایی با پایگاه داده‌های رابطه‌ای و محدودیت‌های آن‌ها
• 3. مبانی گراف‌ها و نمایش داده‌ها به صورت گرافی
• 4. پایگاه داده‌های گراف: تعاریف و مزایا
• 5. معرفی Neo4j: پایگاه داده گراف پیشرو
• 6. نصب و راه‌اندازی Neo4j Community Edition
• 7. آشنایی با محیط Neo4j Browser
• 8. مفاهیم کلیدی در مدل‌سازی گراف: گره‌ها، روابط و ویژگی‌ها
• 9. مدل‌سازی داده‌ها در Neo4j
• 10. تفاوت گره‌ها و روابط
• 11. ویژگی‌های گره‌ها و روابط
• 12. انواع گره‌ها (Labels)
• 13. انواع روابط (Types)
• 14. طراحی اسکیمای گراف برای کاربردهای مختلف
• 15. مثال‌های عملی مدل‌سازی گراف
• 16. مقدمه‌ای بر زبان Cypher
• 17. دستورات پایه Cypher: CREATE, MATCH, RETURN
• 18. ایجاد گره‌ها و روابط با Cypher
• 19. جستجو و بازیابی گره‌ها و روابط
• 20. فیلتر کردن نتایج با WHERE
• 21. مرتب‌سازی نتایج با ORDER BY
• 22. محدود کردن تعداد نتایج با LIMIT
• 23. به‌روزرسانی گره‌ها و روابط
• 24. حذف گره‌ها و روابط
• 25. عملیات بر روی ویژگی‌ها
• 26. کار با گره‌های مجاور (Neighbors)
• 27. پیمایش گراف (Graph Traversal)
• 28. الگوهای رایج در Cypher
• 29. کار با الگوهای پیچیده‌تر
• 30. استفاده از توابع در Cypher
• 31. توابع agregasi (مانند COUNT, SUM, AVG)
• 32. توابع رشته‌ای و عددی
• 33. توابع تاریخ و زمان
• 34. توابع منطقی
• 35. مقدمه‌ای بر Neo4j Graph Data Science (GDS)
• 36. کاربرد GDS در تحلیل گراف
• 37. مفهوم الگوریتم‌های گراف
• 38. پیاده‌سازی الگوریتم‌های GDS در Neo4j
• 39. الگوریتم PageRank و کاربردهای آن
• 40. الگوریتم Centrality (Degree, Betweenness, Closeness)
• 41. کاربرد الگوریتم‌های Centrality در شناسایی نقاط کلیدی
• 42. الگوریتم Community Detection (Louvain)
• 43. شناسایی گروه‌ها و جوامع در گراف
• 44. الگوریتم Shortest Path
• 45. یافتن کوتاه‌ترین مسیر بین گره‌ها
• 46. کاربرد Shortest Path در شبکه‌های حمل و نقل و ارتباطی
• 47. الگوریتم Similarity (Jaccard, Cosine)
• 48. یافتن گره‌های مشابه
• 49. کاربرد Similarity در توصیه‌گرها
• 50. مقدمه‌ای بر GraphQL
• 51. آشنایی با مفاهیم GraphQL
• 52. مزایای GraphQL نسبت به REST
• 53. ادغام GraphQL با Neo4j
• 54. نصب و پیکربندی GraphQL Server برای Neo4j
• 55. طراحی اسکیمای GraphQL
• 56. اجرای کوئری‌های GraphQL بر روی Neo4j
• 57. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM)
• 58. کاربرد LLM در پردازش زبان طبیعی
• 59. ادغام LLM با پایگاه داده‌های گراف
• 60. مفهوم Knowledge Graphs
• 61. ساخت Knowledge Graphs با Neo4j
• 62. استفاده از LLM برای استخراج اطلاعات و ساخت Knowledge Graphs
• 63. استخراج موجودیت‌ها و روابط از متن با LLM
• 64. تولید داده‌های گراف از متن با LLM
• 65. کاربرد Knowledge Graphs در بازیابی اطلاعات پیشرفته (RAG)
• 66. مفهوم Retrieval-Augmented Generation (RAG)
• 67. نقش Knowledge Graphs در بهبود دقت RAG
• 68. پیاده‌سازی RAG با Neo4j و LLM
• 69. جستجو در Knowledge Graph با استفاده از LLM
• 70. تولید پاسخ‌های مبتنی بر گراف با LLM
• 71. بهینه‌سازی عملکرد کوئری‌های Cypher
• 72. شاخص‌گذاری (Indexing) در Neo4j
• 73. انواع شاخص‌ها و کاربرد آن‌ها
• 74. تحلیل عملکرد کوئری‌ها با EXPLAIN و PROFILE
• 75. نکات پیشرفته در مدل‌سازی گراف
• 76. مدل‌سازی سلسله مراتبی (Hierarchical Modeling)
• 77. مدل‌سازی داده‌های زمانی (Temporal Data)
• 78. مدل‌سازی داده‌های شبکه‌ای (Network Data)
• 79. کاربردهای پیشرفته پایگاه داده‌های گراف
• 80. تحلیل شبکه‌های اجتماعی
• 81. سیستم‌های توصیه‌گر
• 82. تشخیص تقلب
• 83. مدیریت زنجیره تأمین
• 84. امنیت سایبری
• 85. مدیریت دانش
• 86. کاربرد گراف‌های دانش در هوش مصنوعی
• 87. نمونه‌های واقعی از پیاده‌سازی Neo4j در صنعت
• 88. چالش‌ها و راهکارهای رایج در کار با Neo4j
• 89. آینده پایگاه داده‌های گراف و هوش مصنوعی
• 90. جمع‌بندی و مرور مباحث
• 91. منابع بیشتر برای مطالعه
• 92. تمرین‌های عملی تکمیلی
• 93. آزمون نهایی
• 94. پروژه عملی پایانی