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

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

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000006940 دسته: , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 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

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب مقدمه‌ای بر محاسبات در گراف‌های عصبی (Graph Neural Networks) در HPC”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا