آموزش شبکه عصبی کانولوشنی گرافی در پایتون – GCN یادگیری عمیق
بسیاری از دادههایی که امروزه در دنیای واقعی با آنها سروکار داریم؛ ساختار گرافی دارند؛ مانند شبکههای کامپیوتری، شبکههای اجتماعی و ساختارهای مولکولی. بنابراین، در کاربردهای مربوطه از جمله پیشبینی خواص یک مولکول (کلاسبندی)، تشخیص انجمنها در شبکههای اجتماعی (خوشهبندی)، کشف ارتباط بین مولکولهای پروتئینی (پیشبینی لینک) و امنیت شبکههای کامپیوتری (تشخیص ناهنجاری)، نیازمند روشهایی هستیم که با کارایی و دقت بالا، پاسخ مناسبی برای مسائل ارائه دهد.
- فصل یکم: مقدمهای بر گرافها
- درس ۱: معرفی گراف و انواع ساختارها
- درس ۲: روابط و قضایای مورد نیاز
- فصل دوم: معرفی شبکه عصبی گرافی (GNN)
- درس ۳: GNN چیست؟
- درس ۴: تعریف مساله و الگوریتم شبکه عصبی گرافی (GNN)
- درس ۵: رویکرد فضایی در لایههای GNN
- درس ۶: رویکرد طیفی در لایههای GNN
- فصل سوم: معرفی شبکه عصبی گرافی کانولوشنی (GCN)
- درس ۷: کانولوشن چیست؟
- درس ۸: GCN چیست؟
- درس ۹: مبانی شبکه عصبی گرافی کانولوشنی (GCN)
- درس ۱۰: مساله کلاسبندی با استفاده از GCN
- فصل چهارم: مثال عملی کلاسبندی گرههای گراف با GCN در پایتون
- درس ۱۱: معرفی پیشنیازهای مساله
- درس ۱۲: نحوه دسترسی به منابع مورد نیاز و بررسی مجموعه داده
- درس ۱۳: پیادهسازی یک GCN از ابتدا
- درس ۱۴: معرفی تابع GraphConv جهت حل مساله
- درس ۱۵: انجام کلاسبندی گرههای گراف با توابع آماده در پایتون
- فصل پنجم: راهنمایی ادامه مسیر
- درس ۱۶: جمعبندی و نتیجه مباحث
- درس ۱۷: ادامه یادگیری
منبع:
فرادرس