شبکه‌های عصبی گرافی

1.1. معرفی کلی درس و ارائه ی چند مثال کاربردی

13

2.1. انواع شبکه ها و گراف ها و وظایف بر روی آنها

18

3.1. انواع گراف ها و ساختار داده ای آنها

14

4.1. گراف هایی با حالت های خاص و گراف های متصل

09

1.2. دسته بندی روش های یادگیری ماشین روی گراف ها

14

2.2. شهود روش های تعبیه گرافی و هدف آن

15

3.2. به دست آوردن شباهت با استفاده از قدم زدن تصادفی

08

4.2. الگوریتم node2vec

19

5.2. به دست آوردن تعبیه ها برای یک گراف

09

6.2. بکار گیری الگوریتم nod2vec بر روی یک مجموعه داده با python

14

1.3. خلاصه ای از جلسه قبل و مبانی یادگیری عمیق

14

2.3. یادگیری عمیق برای گراف ها

12

3.3. شبکه های پیچشی گرافی

11

4.3. ریاضیات مدل و فرآیند آموزش

13

5.3. طراحی مدل و قابلیت استنتاج

06

6.3. مقایسه ی شبکه های عصبی گرافی با شبکه های عصبی پیچشی

05

7.3. پیاده سازی شبکه‌های عصبی گرافی پیچشی با pytorch

19

1.4. بررسی یک لایه از GNN

13

2.4. لایه های کلاسیک GNN وساختار GraphSAGE

14

3.4. مکانیسم توجه و شبکه های توجه گرافی

16

4.4. لایه های GNN‌ در عمل

15

1.5. مقدمه ای بر سیستم های توصیه گر

14

2.5. بکار گیری گراف در سیستم های توصیه گر

12

3.5. مدل های مبتنی بر تعبیه برای سیستم های توصیه گر

09

4.5. معرفی روش فیلترینگ مشارکتی گراف عصبی

15

5.5. معرفی روش light GCN

15

6.5. بکارگیری روش lightGCN برای سیستم‌های توصیه‌گر

12

7.5. معرفی روش pinSAGE‌ و کاربرد آن در شبکه pinterest

13

1.6. تولید گراف : شهود و انگیزه ها

12

2.6. مدل های عمیق تولید گراف

15

3.6. تولید نمونه گراف ها به صورت دنباله ای

08

4.6. شرح شبکه های عصبی بازگشتی گرافی

21

5.6. آموزش مدل graph BNN

15

6.6. ارزیابی گراف های تولیدی

10

7.6. کاربرد مدل های تولید گراف عمیق

13