شبکه‌های عصبی گرافی

1.1. معرفی کلی درس و ارائه ی چند مثال کاربردی

13:07

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

18:04

3.1. انواع گراف ها و ساختار داده ای آنها

14:48

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

09:33

1.2. دسته بندی روش های یادگیری ماشین روی گراف ها

14:03

2.2. شهود روش های تعبیه گرافی و هدف آن

15:20

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

08:44

4.2. الگوریتم node2vec

19:39

5.2. به دست آوردن تعبیه ها برای یک گراف

09:58

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

14:38

1.3. خلاصه ای از جلسه قبل و مبانی یادگیری عمیق

14:44

2.3. یادگیری عمیق برای گراف ها

12:26

3.3. شبکه های پیچشی گرافی

11:17

4.3. ریاضیات مدل و فرآیند آموزش

13:04

5.3. طراحی مدل و قابلیت استنتاج

06:37

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

05:55

7.3. پیاده سازی شبکه‌های عصبی گرافی پیچشی با pytorch

19:30

1.4. بررسی یک لایه از GNN

13:04

2.4. لایه های کلاسیک GNN وساختار GraphSAGE

14:22

3.4. مکانیسم توجه و شبکه های توجه گرافی

16:44

4.4. لایه های GNN‌ در عمل

15:35

1.5. مقدمه ای بر سیستم های توصیه گر

14:05

2.5. بکار گیری گراف در سیستم های توصیه گر

12:38

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

09:08

4.5. معرفی روش فیلترینگ مشارکتی گراف عصبی

15:20

5.5. معرفی روش light GCN

15:31

6.5. بکارگیری روش lightGCN برای سیستم‌های توصیه‌گر

12:29

7.5. معرفی روش pinSAGE‌ و کاربرد آن در شبکه pinterest

13:21

1.6. تولید گراف : شهود و انگیزه ها

12:35

2.6. مدل های عمیق تولید گراف

15:08

3.6. تولید نمونه گراف ها به صورت دنباله ای

08:02

4.6. شرح شبکه های عصبی بازگشتی گرافی

21:02

5.6. آموزش مدل graph BNN

15:37

6.6. ارزیابی گراف های تولیدی

10:02

7.6. کاربرد مدل های تولید گراف عمیق

13:29