آموزش شبکه های عصبی گراف پیشرفته

Advanced Graph Neural Networks

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: شبکه های عصبی گراف (GNN) را در عمق کاوش کنید. مربی Janani Ravi با بررسی عملکرد GNN ها، پوشش دادن پیام، تجمع، تبدیل، ریاضیات تبدیل و مکانیسم های توجه مانند GATv2Conv را آغاز می کند. جانانی کاربردهای عملی مانند طبقه بندی گره، طبقه بندی گراف و پیش بینی پیوند را با استفاده از مجموعه داده هایی مانند Cora و PROTEINS بررسی می کند. تمرینات عملی در Colab با PyTorch Geometric تجربه ای را در راه اندازی و آموزش مدل های GNN فراهم می کند. در مورد مینی بچینگ و عادی سازی همسایگی برای مقابله با چالش های داده های نموداری بیاموزید. این دوره برای محققان، دانشمندان داده و هر کسی که علاقه مند به یادگیری عمیق یا نظریه گراف است ایده آل است. برای باز کردن پتانسیل های جدید در تجزیه و تحلیل داده ها و مدل سازی با GNN ها هماهنگ شوید.

سرفصل ها و درس ها

معرفی Introduction

  • پیش نیازها Prerequisites

  • مروری بر شبکه های عصبی گراف Overview of graph neural networks

1. مروری بر شبکه های عصبی نمودار 1. Overview of Graph Neural Networks

  • ارسال پیام در GNN Message passing in GNNs

  • ریاضیات تجمیع و تبدیل Aggregation and transformation math

  • ریاضیات تجمع و تبدیل به صورت ماتریسی Aggregation and transformation math in matrix form

2. طبقه بندی گره با شبکه های توجه گراف 2. Node Classification with Graph Attention Networks

  • کاوش مجموعه داده Cora Exploring the Cora dataset

  • آموزش یک شبکه کانولوشن گراف Training a graph convolutional network

  • از جمله توجه در لایه های GNN Including attention in GNN layers

  • راه اندازی شبکه کانولوشن گراف Setting up the graph convolutional network

  • محاسبه ضریب توجه Computing the attention coefficient

  • معرفی توجه به نمودار Introducing graph attention

  • استفاده از لایه GATv2Conv برای جلب توجه Using the GATv2Conv layer for attention

  • راه اندازی با Colab و کتابخانه هندسی PyTorch Getting set up with Colab and the PyTorch Geometric library

  • طبقه بندی گره با استفاده از یک شبکه توجه گراف Node classification using a graph attention network

3. طبقه بندی نمودار با استفاده از پیچیدگی نمودار 3. Graph Classification Using Graph Convolution

  • کاوش مجموعه داده پروتئین ها برای طبقه بندی نمودار Exploring the PROTEINS Dataset for graph classification

  • آموزش GNN برای طبقه بندی گراف Training a GNN for graph classification

  • مینی‌بچینگ داده‌های گراف Minibatching graph data

  • درک طبقه بندی نمودار Understanding graph classification

  • حذف عادی سازی محله و پرش از اتصالات Eliminating neighborhood normalization and skip connections

  • راه اندازی یک مدل طبقه بندی نمودار Setting up a graph classification model

4. پیش بینی پیوند با استفاده از رمزگذار خودکار گراف 4. Link Prediction Using Graph Autoencoders

  • تقسیم داده های پیش بینی پیوند Splitting link prediction data

  • آموزش رمزگذار خودکار Training the autoencoder

  • معرفی رمزگذارهای خودکار گراف Introducing graph autoencoders

  • طراحی رمزگذار خودکار برای پیش بینی لینک Designing an autoencoder for link prediction

  • مروری سریع بر رمزگذارهای خودکار A quick overview of autoencoders

  • درک تقسیم پیوندها Understanding link splits

نتیجه Conclusion

  • خلاصه و مراحل بعدی Summary and next steps

نمایش نظرات

آموزش شبکه های عصبی گراف پیشرفته
جزییات دوره
2h 4m
27
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
11
- از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.