یادگیری ماشین در گراف
این دوره مفاهیم و تکنیک های اساسی یادگیری ماشین برای داده¬های گرافی (GML) را معرفی می کند و شما را به مهارت هایی برای مقابله با وظایفی که شامل ساختارهای شبکه پیچیده است مجهز می کند. این دوره در 12 جلسه (6 هفته) با ترکیبی از تدریس اسلایدها، تمرینات عملی و بحث ارائه می شود.
مخاطب هدف:
این دوره برای افرادی طراحی شده است که درک اولیه از مفاهیم یادگیری ماشین و شبکه¬های عصبی و کمی تجربه با برنامه نویسی پایتون دارند. آشنایی با جبر خطی و نظریه گراف پایه مفید خواهد بود.
اهداف دوره:
در پایان این دوره، شما قادر خواهید بود:
1. چالش‌های منحصربه‌فرد استفاده از یادگیری ماشینی برای داده¬های گرافی را درک کنید.
2. مفهوم یادگیری نمایش گراف و مزایای آن را توضیح دهید.
3. روشهای متداول مبتنی بر پیاده‌روی تصادفی را برای یادگیری جاسازی گره (DeepWalk، node2vec) پیاده‌سازی و اعمال کنید.
4. تکنیک‌های یادگیری نمایش جایگزین مانند خوشه‌بندی طیفی را کاوش کنید.
5. از روشهای تعبیه گراف برای کارهای مختلف مانند طبقه‌بندی گره، پیش‌بینی پیوند و تشخیص جامعه استفاده کنید.
سر فصل ها:
-
1 مقدمه و مفاهیم بنیادی
- 1-1- معرفی دوره، اهداف آموزشی و کاربردهای یادگیری ماشین گراف
- 2-1- مفاهیم پایه نظریه گراف: گره ها، یال¬ها، ویژگی ها (درجه، مرکزیت)، انواع مختلف گراف
- 3-1- مقدمه ای بر نمایش داده¬های گرافی
-
2 روشهای استخراج ویژگی در سطح گره، یال و کل گراف
- 1-2- ویژگیهای سطح گره: درجه – مرکزیت – ضریب خوشه بندی – گرافلت
- 2-2- ویژگیهای سطح یال: معیارهای شباهت همسایگی محلی و کل
- 3-2- ويژگیهای سطح گراف: گراف کرنل – روش WL
-
3 مقدمه ای بر کتابخانه Networkx پایتون برای کار با گراف
- 1-3- آشنایی دانشجویان با کتابخانه های پایتون برای کار با گرافها
- 2-3- تجربه عملی ایجاد، دستکاری و تجزیه و تحلیل گرافها با Networkx
-
4 بازنمایی گراف با استفاده از روشهای کم عمق
- 1-4- چالش¬های داده¬های گرافی و نیاز به یادگیری بازنمایی
- 2-4- تعبیه گره ها: مقدمه و روشهای مبتنی بر پیاده‌روی تصادفی (DeepWalk، Node2vec)
- 3-4- پیاده سازی روشهای بازنمایی مبتنی بر پیاده روی تصادفی (deepwalk, Node2vec) (کار عملی)
- 4-4- کاهش بعد بردارهای بازنمایی برای نمایش آنها در فضای دوبعدی (کار عملی)
-
5 بازنمایی گراف (روشهای طیفی و GCN)
- 1-5- روش های طیفی برای یادگیری نمایش گراف را کاوش کنید
- 2-5- معرفی شبکه های کانولوشن گراف (GCN) و معماری اساسی آنها
- 3-5- درک انگیزه و اصول اصلی پشت GCN ها
-
6 شبکه گرافی پایه
- 1-6- شبکه¬های گراف کانولوشنال (GCN): انگیزه و معماری پایه
- 2-6- معرفی گراف محاسباتی
- 3-6- لایه های GCN و مکانیزم ارسال پیام
- 4-6- معماریهای پیشرفته GCN (GraphSAGE، شبکه های توجه گراف (GAT)).
-
7 مفاهیم تئوریک در GNN ها
- 1-7- بحث در رابطه با تعداد و نوع لایه¬ها
- 2-7- تقویت گرافها (ساختار و ویژگی)
- 3-7- انواع پارادایمهای یادگیری
- 4-7- پیاده سازی GCN برای طبقه بندی گره ها با استفاده از PyTorch Geometric (کار عملی)
-
8 کاربرد GNN در سیستمهای توصیه گر
- 1-8- توضیح روش LightGCN
- 2-8- معیارهای ارزیابی در سیستمهای توصیه گر
- 3-8- پیاده سازی یک کاربرد سطح یال (سیستمهای توصیه گر) (کار عملی)
دکتر علیرضا عبداله پوری دکترای خود را در گرایش شبکه های کامپیوتری از دانشگاه هامبورگ آلمان دریافت نموده و هم اکنون دانشیار گروه مهندسی کامپیوتر دانشگاه کردستان است. وی در حال حاضر در مقاطع کارشناسی ارشد و دکترا دروس «شبکه های پیچیده» و «یادگیری ماشین برای گراف» و در مقطع کارشناسی دروس «شبکه های کامپیوتری»، «معماری کامپیوتر» و «سیستم های عامل» را در دانشگاه کردستان تدریس می کند.
علایق تحقیقاتی او در زمینه های مختلف شبکه های عصبی گراف و شبکه های پیچیده مانند: تشخیص جامعه، حداکثرسازی نفوذ، پیش بینی پیوند، رتبه بندی و معیارهای مرکزیت است.
مهارتها
شبکه های کامپیوتری
معماری کامپیوتر
شبکه های عصبی گراف
