آموزش آشنایی با گراف‌های دانش احتمالی: استنتاج مبتنی بر هوش مصنوعی و کاربردهای واقعی - آخرین آپدیت

دانلود Introduction to Probabilistic Knowledge Graphs: AI-Driven Inference and Real-World Applications

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: گراف‌های دانش احتمالی (PKGs) در حال متحول کردن روش ساختاردهی و تحلیل داده‌ها در هوش مصنوعی و یادگیری ماشین هستند. در این دوره، وایبها لاکشمی راویدشیک، مهندس هوش مصنوعی و نویسنده، مفاهیم بنیادی گراف‌های دانش را معرفی کرده و نشان می‌دهد که چگونه تئوری احتمالات به مدیریت عدم قطعیت در داده‌ها کمک می‌کند. از طریق مثال‌های عملی، بیاموزید که چگونه PKGها را بسازید، استدلال‌های احتمالی را ادغام کنید و تکنیک‌های استنتاجی مانند مونت کارلو زنجیره مارکوف (MCMC) را به کار بگیرید. کاربردهای واقعی در تصمیم‌گیری، ارزیابی ریسک و مدل‌سازی پیش‌بینانه را بررسی کرده و بینش‌هایی در مورد چالش‌های مقیاس‌پذیری و روندهای نوظهور که آینده PKGها را شکل می‌دهند، کسب کنید.

سرفصل ها و درس ها

مقدمه Introduction

  • ورود به دنیای گراف‌های دانش احتمالی Diving into the world of probabilistic knowledge graphs

1. گراف‌های دانش چیستند؟ 1. What Are Knowledge Graphs?

  • چرا گراف‌های دانش برای هوش مصنوعی ضروری هستند؟ Why knowledge graphs for AI?

  • پیاده‌سازی ساده گراف دانش، بخش اول Simple KG implementation, part I

  • خلاصه: مبانی گراف‌های دانش Summary: Basics of knowledge graphs

  • پیاده‌سازی ساده گراف دانش، بخش دوم Simple KG implementation, part 2

  • گراف دانش در دنیای واقعی ۲: DBpedia Real-world KG II: DBpedia

  • پیاده‌سازی گراف دانش مبتنی بر LLM، بخش اول LLM-based KG implementation, part 1

  • گراف‌های دانش (KGs) چیستند؟ What are knowledge graphs (KGs)?

  • گراف دانش در دنیای واقعی ۱: گراف دانش گوگل Real-world KG I: Google's knowledge graph

  • پیاده‌سازی گراف دانش مبتنی بر LLM، بخش دوم LLM-based KG implementation, part 2

  • اجزای اصلی یک گراف دانش Core components of a knowledge graph

2. نمای کلی مفاهیم احتمال 2. Overview of Probability Concepts

  • از نمونه‌برداری تا سطح اطمینان From sampling to confidence

  • احتمال شرطی و قضیه بیز Conditional probability and Bayes' Theorem

  • یال‌های جهت‌دار و جریان تأثیر Directed edges and influence flow

  • مبانی برنامه‌نویسی Pyro، بخش دوم Basics of Pyro programming, part 2

  • مبانی برنامه‌نویسی Pyro، بخش اول Basics of Pyro programming, part 1

  • الگوریتم متروپولیس-هستینگز The Metropolis-Hastings algorithm

  • شبکه‌های بیزی Bayesian networks

  • مونت کارلو همیلتونی (HMC) Hamiltonian Monte Carlo (HMC)

  • مبانی مدل‌سازی احتمالی برای PKGها Probabilistic modeling basics for PKGs

  • متغیرهای تصادفی و توزیع‌ها Random variables and distributions

  • روش MCMC و شهود ریاضی آن MCMC and intuition

  • امید ریاضی و واریانس Expectation and variance

  • نمونه‌بردار بدون چرخش (NUTS) No-U-Turn Sampler (NUTS)

  • ضرورت استفاده از MCMC The urge for MCMC

  • پایه‌های تئوری احتمالات Foundations of probability theory

  • جمع‌بندی مفاهیم احتمالی برای گراف‌های دانش A wrap-up on probabilistic concepts for knowledge graphs

3. معرفی عدم قطعیت در گراف‌های دانش 3. Introducing Uncertainty in Knowledge Graphs

  • ریسک‌های نادیده گرفتن عدم قطعیت Risks of ignoring uncertainty

  • جمع‌بندی مبحث عدم قطعیت A wrap-up on uncertainty

  • عدم قطعیت: دلیلی که PKGها را می‌سازیم Uncertainty: The reason we build PKGs

  • منابع ایجاد عدم قطعیت Sources of uncertainty

  • مثال: عدم قطعیت در گراف دانش پزشکی Example: Uncertainty in a medical KG

  • اطمینان و منشاء داده‌ها Confidence and provenance

  • ساخت گراف‌های دانش احتمالی، بخش دوم Building probabilistic KGs, part 2

  • ساخت گراف‌های دانش احتمالی، بخش اول Building probabilistic KGs, part 1

4. منابع داده و روش‌های جمع‌آوری 4. Data Sources and Collection Methods

  • داده‌های بدون ساختار برای PKGها Unstructured data for PKGs

  • محدودیت‌های داده‌های بدون ساختار Limitations of unstructured data

  • مثال واقعی: داده‌های ساختاریافته Real-world example: Structured data

  • الگوی نمونه هستی‌شناسی (Ontology) Example ontology template

  • محدودیت‌های داده‌های ساختاریافته Limitations of structured data

  • منابع ساختاریافته رایج Typical structured sources

  • طراحی شمای گراف Graph schema design

  • جمع‌بندی انواع داده‌ها برای PKGها Wrapping up data types for PKGs

  • داده‌های ساختاریافته برای PKGها Structured data for PKGs

  • مثال: استخراج متون زیست‌پزشکی Example: Biomedical literature mining

5. استنتاج با استفاده از PKGها 5. Inferencing with PKGs

  • منطق احتمالی نرم (PSL) PSL

  • PKG بیزی با استفاده از جاسازی‌های گراف (Embeddings) Bayesian PKG using KG embeddings

  • استنتاج بیزی با استفاده از Pyro، بخش سوم Bayesian inference using Pyro, part 3

  • شبکه‌های منطق مارکوف Markov logic networks

  • مدل‌های گرافیکی احتمالی Probabilistic graphical models

  • پیش‌نمای KGEها Preview of KGEs

  • استنتاج در یک PKG چیست؟ What is inference in a PKG?

  • استدلال احتمالی مبتنی بر مسیر Path-based probabilistic reasoning

  • استنتاج بیزی با استفاده از Pyro، بخش اول Bayesian inference using Pyro, part 1

  • روش‌های استنتاج در PKGها Inference approaches in PKGs

  • استنتاج بیزی با استفاده از Pyro، بخش دوم Bayesian inference using Pyro, part 2

6. PKGها در سیستم‌های مدرن هوش مصنوعی 6. PKGs in Modern AI Systems

  • PKG به عنوان یک رویکرد فنی و فلسفی PKGs as a technical and philosophical approach

  • شبکه‌های عصبی گرافی بیزی، بخش دوم Bayesian GNNs, part 2

  • عامل‌های خودمختار Autonomous agents

  • سیستم‌های عصبی-نمادین، بخش دوم Neurosymbolic systems, part 2

  • سیستم‌های عصبی-نمادین، بخش اول Neurosymbolic systems, part 1

  • شبکه‌های عصبی گرافی بیزی، بخش اول Bayesian GNNs, part 1

  • باورهای مستدل به جای پاسخ‌های مطلق Justified beliefs rather than absolute answers

نمایش نظرات

آموزش آشنایی با گراف‌های دانش احتمالی: استنتاج مبتنی بر هوش مصنوعی و کاربردهای واقعی
جزییات دوره
5h
63
(آخرین آپدیت)
7,476
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Vaibhava Lakshmi Ravideshik Vaibhava Lakshmi Ravideshik

وایبها لاکشمی راویدشیک مهندس هوش مصنوعی است.

وایبها سفیر Qdrant و کاندیدای اخترنورد R&D در Titans Space است. او نویسنده کتاب نقشه‌برداری از کیهان: سفر هوش مصنوعی فراتر از زمین است، دارای مدرک کارشناسی ارشد علوم داده از مدرسه تحصیلات تکمیلی راکهام در دانشگاه میشیگان است و در حال حاضر به عنوان همکار در مؤسسه آلن تورینگ فعالیت می‌کند.