کتاب صوتی پیش‌بینی هوشمند پیوندهای گمشده با متالرنینگ در شبکه‌های واقعی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب پیش‌بینی هوشمند پیوندهای گمشده با متالرنینگ در شبکه‌های واقعی

موضوع کلی: هوش مصنوعی در تحلیل شبکه

موضوع میانی: پیش‌بینی پیوند در شبکه‌ها

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه: چرا پیش‌بینی پیوند مهم است؟
• 2. مبانی نظریه گراف: گره‌ها، یال‌ها و شبکه‌ها
• 3. انواع شبکه‌ها: اجتماعی، بیولوژیکی، اطلاعاتی و تکنولوژیکی
• 4. ویژگی‌های کلان شبکه‌ها: چگالی، قطر و میانگین فاصله
• 5. ویژگی‌های خرد شبکه‌ها: درجه گره، مرکزیت و ضریب خوشه‌بندی
• 6. معرفی مسئله پیش‌بینی پیوند (Link Prediction)
• 7. کاربردهای عملی پیش‌بینی پیوند: از توصیه دوستی تا کشف دارو
• 8. فرموله‌سازی مسئله: پیش‌بینی پیوندهای گمشده در مقابل پیوندهای آینده
• 9. چالش‌ها و محدودیت‌های پیش‌بینی پیوند در شبکه‌های واقعی
• 10. مروری بر رویکردهای سنتی، یادگیری ماشین و متالرنینگ
• 11. بخش اول: روش‌های کلاسیک مبتنی بر شباهت
• 12. مفهوم شباهت گره‌ها به عنوان پایه پیش‌بینی
• 13. معیارهای مبتنی بر همسایگان مشترک (Common Neighbors)
• 14. شاخص جاکارد (Jaccard Coefficient)
• 15. شاخص آدامیک-آدار (Adamic-Adar Index)
• 16. شاخص تخصیص منابع (Resource Allocation Index)
• 17. روش اتصال ترجیحی (Preferential Attachment)
• 18. مقایسه و ارزیابی معیارهای شباهت محلی
• 19. معیارهای مبتنی بر مسیر: طول کوتاه‌ترین مسیر
• 20. شاخص کاتز (Katz Index)
• 21. محدودیت‌های روش‌های کلاسیک و نیاز به رویکردهای پیشرفته‌تر
• 22. بخش دوم: پیش‌بینی پیوند با یادگیری ماشین سنتی
• 23. تبدیل پیش‌بینی پیوند به یک مسئله طبقه‌بندی دودویی
• 24. استخراج نمونه‌های مثبت (پیوندهای موجود) و منفی (پیوندهای ناموجود)
• 25. چالش عدم توازن کلاس‌ها در داده‌های شبکه
• 26. مهندسی ویژگی برای زوج گره‌ها
• 27. استفاده از ویژگی‌های توپولوژیکی به عنوان ورودی مدل
• 28. آموزش مدل‌های طبقه‌بندی: رگرسیون لجستیک، SVM و درخت تصمیم
• 29. ارزیابی عملکرد مدل‌های یادگیری ماشین
• 30. محدودیت‌های مهندسی ویژگی دستی در شبکه‌های پیچیده
• 31. بخش سوم: یادگیری نمایش گراف (Graph Representation Learning)
• 32. مقدمه‌ای بر بازنمایی گره‌ها در فضای برداری (Node Embeddings)
• 33. روش‌های مبتنی بر فاکتورگیری ماتریس: SVD
• 34. روش‌های مبتنی بر پیمایش تصادفی: DeepWalk
• 35. بهینه‌سازی پیمایش تصادفی: Node2Vec
• 36. یادگیری بازنمایی برای یال‌ها (Edge Embeddings)
• 37. استفاده از بردار گره‌ها برای پیش‌بینی پیوند
• 38. عملگرهای ترکیب بردارها: هادامارد، میانگین و الحاق
• 39. معرفی شبکه‌های عصبی گراف (GNNs)
• 40. مکانیسم انتشار پیام در GNNs
• 41. مدل شبکه عصبی کانولوشنی گراف (GCN)
• 42. مدل GraphSAGE: نمونه‌برداری از همسایگان
• 43. استفاده از GNN به عنوان رمزگذار (Encoder) برای پیش‌بینی پیوند
• 44. ساخت یک مدل پیش‌بینی پیوند سرتاسری با GNN
• 45. بخش چهارم: ورود به دنیای متالرنینگ
• 46. مفهوم متالرنینگ: یادگیری برای یادگیری
• 47. چرا متالرنینگ برای پیش‌بینی پیوند مناسب است؟
• 48. قضیه "ناهار رایگان وجود ندارد" (No Free Lunch) در تحلیل شبکه
• 49. اصول متالرنینگ: وظیفه (Task)، مجموعه پشتیبان (Support Set) و مجموعه پرس‌وجو (Query Set)
• 50. انواع رویکردهای متالرنینگ: مبتنی بر متریک، مبتنی بر مدل و مبتنی بر بهینه‌سازی
• 51. چارچوب متالرنینگ برای مسئله پیش‌بینی پیوند
• 52. تعریف "وظیفه" در پیش‌بینی پیوند: هر شبکه یک وظیفه است
• 53. ویژگی‌های متا (Meta-features): توصیف ساختاری یک شبکه
• 54. محاسبه ویژگی‌های متا: توزیع درجه، ضریب خوشه‌بندی، همبستگی درجه
• 55. نقش ویژگی‌های متا در انتخاب خودکار بهترین الگوریتم
• 56. معرفی مقاله الهام‌بخش: "Meta-learning optimizes predictions of missing links"
• 57. بخش پنجم: پیاده‌سازی مدل متالرنینگ مقاله
• 58. معماری مدل متا-یادگیرنده پیشنهادی در مقاله
• 59. ورودی مدل: ویژگی‌های متا شبکه
• 60. خروجی مدل: ترکیب بهینه از پیش‌بینی‌کننده‌ها
• 61. مرحله فرا-آموزش (Meta-training): یادگیری از مجموعه‌ای از شبکه‌های متنوع
• 62. مرحله فرا-آزمون (Meta-testing): تعمیم به یک شبکه جدید و دیده‌نشده
• 63. چگونگی ترکیب خروجی پیش‌بینی‌کننده‌های پایه (Heuristics)
• 64. یادگیری وزن‌های بهینه برای هر پیش‌بینی‌کننده بر اساس ساختار شبکه
• 65. مفهوم یادگیری چند وظیفه‌ای (Multi-task Learning) در این چارچوب
• 66. پیاده‌سازی استخراج‌کننده ویژگی‌های متا
• 67. پیاده‌سازی مدل متا-یادگیرنده با PyTorch
• 68. تابع زیان (Loss Function) در مرحله فرا-آموزش
• 69. بهینه‌سازی و تنظیم هایپرپارامترهای متا-یادگیرنده
• 70. تفسیرپذیری مدل: کدام ویژگی‌های شبکه در تصمیم‌گیری مهم‌ترند؟
• 71. بخش ششم: پیاده‌سازی عملی و مطالعات موردی
• 72. معرفی ابزارها: NetworkX, PyTorch Geometric, scikit-learn
• 73. مجموعه داده‌های استاندارد برای پیش‌بینی پیوند (Real-world networks)
• 74. آماده‌سازی داده‌ها: ساخت تقسیم‌های آموزشی و آزمایشی برای یال‌ها
• 75. پیاده‌سازی و ارزیابی روش‌های پایه (Common Neighbors, Adamic-Adar)
• 76. پیاده‌سازی و ارزیابی یک مدل مبتنی بر GNN
• 77. پیاده‌سازی کامل خط لوله (Pipeline) متا-یادگیری
• 78. معیارهای ارزیابی پیش‌بینی پیوند: AUC-ROC و AUPR
• 79. مطالعه موردی ۱: شبکه اجتماعی (مانند فیسبوک)
• 80. تحلیل ویژگی‌های متای شبکه اجتماعی
• 81. اعمال مدل متا-یادگیرنده و مقایسه نتایج
• 82. مطالعه موردی ۲: شبکه بیولوژیکی (تعاملات پروتئین-پروتئین)
• 83. تحلیل ویژگی‌های متای شبکه بیولوژیکی
• 84. ارزیابی عملکرد مدل در یک دامنه کاملاً متفاوت
• 85. مطالعه موردی ۳: شبکه استنادی (Citation Network)
• 86. بررسی چالش‌های شبکه‌های جهت‌دار
• 87. انطباق مدل برای شبکه‌های جهت‌دار و ارزیابی آن
• 88. تحلیل نتایج: برتری رویکرد متالرنینگ بر روش‌های منفرد
• 89. تجسم (Visualization) نتایج و ساختار شبکه‌ها
• 90. بخش هفتم: موضوعات پیشرفته و مسیرهای آینده
• 91. پیش‌بینی پیوند در شبکه‌های پویا (Dynamic Networks)
• 92. پیش‌بینی پیوند در شبکه‌های ناهمگون (Heterogeneous Networks)
• 93. چالش مقیاس‌پذیری: اعمال مدل بر روی شبکه‌های بسیار بزرگ
• 94. مفهوم یادگیری خود-نظارتی (Self-supervised Learning) در GNNها
• 95. مسئله شروع سرد (Cold Start) در پیش‌بینی پیوند
• 96. اخلاق در تحلیل شبکه: حریم خصوصی و سوگیری‌ها
• 97. تفاوت یادگیری انتقالی (Transfer Learning) و متالرنینگ در گراف‌ها
• 98. مسیرهای تحقیقاتی آینده الهام گرفته از مقاله
• 99. جمع‌بندی نهایی و نکات کلیدی دوره
• 100. راهنمای پروژه پایانی: طراحی و پیاده‌سازی یک مدل بهینه برای یک شبکه واقعی