شبکه‌های عصبی گرافی

1.1. معرفی کلی درس و ارائه ی چند مثال کاربردی

00:13′

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

00:18′

3.1. انواع گراف ها و ساختار داده ای آنها

00:14′

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

00:09′

1.2. دسته بندی روش های یادگیری ماشین روی گراف ها

00:14′

2.2. شهود روش های تعبیه گرافی و هدف آن

00:15′

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

00:08′

4.2. الگوریتم node2vec

00:19′

5.2. به دست آوردن تعبیه ها برای یک گراف

00:09′

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

00:14′

1.3. خلاصه ای از جلسه قبل و مبانی یادگیری عمیق

00:14′

2.3. یادگیری عمیق برای گراف ها

00:12′

3.3. شبکه های پیچشی گرافی

00:11′

4.3. ریاضیات مدل و فرآیند آموزش

00:13′

5.3. طراحی مدل و قابلیت استنتاج

00:06′

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

00:05′

7.3. پیاده سازی شبکه‌های عصبی گرافی پیچشی با pytorch

00:19′

1.4. بررسی یک لایه از GNN

00:13′

2.4. لایه های کلاسیک GNN وساختار GraphSAGE

00:14′

3.4. مکانیسم توجه و شبکه های توجه گرافی

00:16′

4.4. لایه های GNN‌ در عمل

00:15′

1.5. مقدمه ای بر سیستم های توصیه گر

00:14′

2.5. بکار گیری گراف در سیستم های توصیه گر

00:12′

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

00:09′

4.5. معرفی روش فیلترینگ مشارکتی گراف عصبی

00:15′

5.5. معرفی روش light GCN

00:15′

6.5. بکارگیری روش lightGCN برای سیستم‌های توصیه‌گر

00:12′

7.5. معرفی روش pinSAGE‌ و کاربرد آن در شبکه pinterest

00:13′

1.6. تولید گراف : شهود و انگیزه ها

00:12′

2.6. مدل های عمیق تولید گراف

00:15′

3.6. تولید نمونه گراف ها به صورت دنباله ای

00:08′

4.6. شرح شبکه های عصبی بازگشتی گرافی

00:21′

5.6. آموزش مدل graph BNN

00:15′

6.6. ارزیابی گراف های تولیدی

00:10′

7.6. کاربرد مدل های تولید گراف عمیق

00:13′