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.
آموزش شبکه عصبی کانولوشنی گرافی در پایتون – GCN یادگیری عمیق
  • 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
فرادرس
399,000 تومان
دریافت فایل
شنبه 28 مهر 1403، ساعت 19:27