سپنتا کتاب اکسپرس
کتاب مقدمه‌ای بر یادگیری عمیق گراف‌ها (Graph Deep Learning)

کتاب مقدمه‌ای بر یادگیری عمیق گراف‌ها (Graph Deep Learning)

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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

🎓 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

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.