آموزش الگوریتم‌های گراف دانش و استدلال - آخرین آپدیت

دانلود Knowledge Graph Algorithms and Reasoning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: گراف‌های دانش زیربنایی قدرتمند برای سیستم‌های هوش مصنوعی هستند، اما ارزش واقعی آن‌ها در آنچه می‌توانید از دل آن‌ها کشف کنید نهفته است، نه صرفاً در داده‌هایی که به طور صریح ذخیره شده‌اند. در این دوره آموزشی با عنوان «الگوریتم‌های گراف دانش و استدلال»، شما یاد می‌گیرید چگونه از الگوریتم‌ها و تکنیک‌های استدلالی استفاده کنید تا داده‌های متصل را به هوشمندی‌های عملی برای جستجو، سیستم‌های توصیه‌گر و تجربه‌های مبتنی بر هوش مصنوعی مولد (GenAI) تبدیل کنید. ابتدا، نحوه پیمایش گراف‌های دانش با استفاده از BFS و DFS، به‌کارگیری تکنیک‌های کوتاه‌ترین مسیر مانند الگوریتم‌های دایکسترا و A* روی روابط وزن‌دار، و تحلیل اتصال، چرخه‌ها و قابلیت دسترسی برای کشفیات چندگامی (Multi-hop) را بررسی خواهید کرد. سپس، می‌آموزید که چگونه ساختار گراف را با استفاده از معیارهای مرکزیت و تشخیص جامعه (Community Detection) تحلیل کنید تا موجودیت‌های تاثیرگذار، خوشه‌ها و ناهنجاری‌هایی که الگوهای پنهان و مشکلات کیفیت داده‌ها را آشکار می‌کنند، شناسایی نمایید. در نهایت، نحوه استدلال روی گراف‌های دانش با استفاده از معناشناسی RDFS و OWL، انتخاب بین استراتژی‌های زنجیره‌سازی پیشرو (Forward Chaining) و بازنویسی پرس‌وجو، و به‌کارگیری تکنیک‌های عملی برای تکمیل گراف دانش، تفکیک موجودیت‌ها (Entity Resolution) و سیستم‌های پاسخ‌گویی به سوالات و جستجوی معنایی مبتنی بر گراف را فرا خواهید گرفت. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم برای پیمایش، تحلیل و استدلال روی گراف‌های دانش را خواهید داشت تا سیستم‌های هوش مصنوعی دقیق‌تر، قابل‌فهم‌تر و مقیاس‌پذیرتری بسازید که قادر به پاسخگویی به سوالات پیچیده و استخراج بینش‌ها از میان داده‌های متصل باشند.

سرفصل ها و درس ها

پیمایش گراف: از اکتشاف تا هوشمندی مسیر Traversing the graph: From exploration to route intelligence

  • الگوهای اکتشاف گراف با BFS و DFS Graph exploration patterns with BFS and DFS

  • یافتن مسیر وزن‌دار با دایکسترا و A Weighted pathfinding with Dijkstra’s and A*

  • تمامی مسیرها، چرخه‌ها، اتصال و قابلیت دسترسی All paths, cycles, connectivity, and reachability

یافتن موارد حیاتی: تاثیرگذاری، جوامع و سلامت گراف Finding what matters: Influence, communities, and graph health

  • معیارهای مرکزیت برای شناسایی موجودیت‌های مهم Centrality metrics to identify important entities

  • دمو: جوامع، پیمانه‌ای بودن و الگوهای تاثیرگذاری Demo: Communities, modularity, and influence patterns

  • تشخیص‌های ساختاری و شناسایی ناهنجاری‌ها Structural diagnostics and anomaly detection

از حقایق به دانش ضمنی: استدلال در گراف‌های دانش From facts to implied knowledge: Reasoning on knowledge graphs

  • اصول استدلال استنتاجی RDFS/OWL RDFS/OWL deductive reasoning essentials

  • دمو: قوانین استنتاج و استدلال TBox در مقابل ABox Demo: Inference rules and TBox vs. ABox reasoning

  • زنجیره‌سازی پیشرو در مقابل پس‌رو و توازن‌های استدلالی Forward vs. backward chaining and reasoning tradeoffs

تکمیل گراف دانش و پیش‌بینی پیوندها Knowledge graph completion and link prediction

  • شناسایی موارد مفقود، شکاف‌ها، پوشش و حالت‌های شکست Spotting what’s missing, gaps, coverage, and failure modes

  • دمو: پیش‌بینی پیوند مبتنی بر قانون، قوانین تداعی و رتبه‌بندی مسیر Demo: Rule-based link prediction, association rules and path ranking

  • اندازه‌گیری کیفیت تکمیل و ترکیب سیگنال‌ها Measuring completion quality and combining signals

تفکیک موجودیت‌ها و ادغام دانش برای گراف‌های قابل اعتماد Entity resolution and knowledge fusion for trusted graphs

  • چرا تفکیک موجودیت‌ها اهمیت دارد Why entity resolution matters

  • استراتژی‌های مسدودسازی (Blocking) برای جلوگیری از تطبیق O(n²) Blocking strategies to avoid O(n²) matching

  • امتیازدهی شباهت و تصمیمات ادغام Similarity scoring and merge decisions

  • تلفیق و ارزیابی Fusion and evaluation

پاسخ‌گویی به سوالات گراف و جستجوی معنایی با استدلال Graph question answering and semantic search with reasoning

  • از زبان طبیعی به پرس‌وجوی گراف From natural language to graph query

  • گسترش معنایی با استفاده از هستی‌شناسی‌ها (Ontologies) Semantic expansion using ontologies

  • بازیابی زیرگراف و رتبه‌بندی برای پاسخ‌های چندگامی Subgraph retrieval and ranking for multi-hop answers

  • استدلال و ارزیابی برای کیفیت پاسخ‌گویی به سوالات Reasoning and evaluation for QA quality

  • جمع‌بندی نهایی و پیاده‌سازی کلی Putting it all together

نمایش نظرات

آموزش الگوریتم‌های گراف دانش و استدلال
جزییات دوره
1h 41m
21
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Eman Hassan
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Eman Hassan Eman Hassan

به عنوان یک مهندس کارکشته با بیش از 12 سال تجربه، عمیقاً متعهد به مربیگری، به اشتراک گذاشتن ثروت تجربه خود و ماندن در خط مقدم فناوری های پیشرفته هستم. من ترکیبی بی نظیر از دانش نظری و مهارت های عملی را روی میز آورده ام. تخصص من در هدایت و راهنمایی توسعه دهندگان مشتاق از طریق پروژه های چالش برانگیز در کل چرخه حیات نهفته است. مهارت فنی من شامل توسعه پشته کامل، معماری نرم افزار، محاسبات ابری، DevOps و اتوماسیون است. با استفاده از یک جعبه ابزار همه کاره که شامل .NET، Microsoft Azure، Nodejs، Nextjs، جاوا اسکریپت، PHP، Hacklang، SQL، CQL، Angularjs و React است، من در ساخت برنامه های کاربردی مقیاس پذیر و قابل اعتماد که نیازهای توسعه مدرن را برآورده می کنند، تخصص دارم. من ایده های هوش مصنوعی زیادی برای به اشتراک گذاشتن و راهنمایی دارم و هوش مصنوعی را به عنوان یکی از چالش های فعلی برای مقابله با آن پذیرفته ام. علاوه بر کار عملی ام، مشارکت کننده ای اختصاصی در جامعه توسعه هستم. من دوره هایی را منتشر کرده ام و همچنین به طور فعال بینش و تخصص خود را با توسعه دهندگان همکار به اشتراک می گذارم. مشتاق حل مشکلات پیچیده، پذیرش فناوری‌های جدید و تقویت همکاری در تیم‌های متقابل، هدف من ایجاد راه‌حل‌های تاثیرگذار و نوآورانه است که تجربه کاربر را بالا می‌برد و ارزش کسب‌وکار را افزایش می‌دهد. تعهد من به مربیگری و یادگیری مستمر منعکس کننده اعتقاد من به قدرت تجربیات مشترک و ماندن در لبه برش چشم انداز فناوری همیشه در حال تحول است.