آموزش شبکه‌های عصبی گراف (GNN) - آخرین آپدیت

دانلود Learning Graph Neural Networks

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: شبکه‌های عصبی گراف (Graph Neural Networks)—شبکه‌های عصبی قادر به پردازش ساختارهای داده گرافی—یادگیری عمیق را بر روی ساختارهای داده پیاده می‌کنند تا بینش‌های جدیدی از گراف‌ها استخراج کنند. در این دوره، با کاربردهای مختلف مدل‌سازی گراف، نحوه آموزش یک شبکه عصبی گراف و ارزیابی نتایج آن آشنا می‌شوید. مدرس دوره، Janani Ravi، ابتدا با پیش‌زمینه‌ای در مورد گراف‌ها، شامل اصطلاحات و انواع گراف شروع می‌کند. سپس مفاهیم یادگیری ماشین گراف و مبانی شبکه‌های عصبی گراف را معرفی می‌کند. نیمه دوم دوره شامل تمرینات عملی برای کمک به شما در راه‌اندازی و آموزش شبکه‌های عصبی گراف با استفاده از PyTorch Geometric، بصری‌سازی گراف‌ها با NetworkX و آموزش یک شبکه پیچشی گراف (GCN) برای برچسب‌گذاری گره‌ها با استفاده از مجموعه داده Cora است.

سرفصل ها و درس ها

مقدمه Introduction

  • پیش‌نیازها Prerequisites

  • معرفی شبکه‌های عصبی گراف Introducing graph neural networks

1. درک مفاهیم گراف 1. Understanding Graphs

  • سایر انواع گراف‌ها Other graph types

  • نمایش‌های گرافی Graph representations

  • گراف‌های جهت‌دار و بدون جهت Undirected and directed graphs

2. معرفی یادگیری ماشین گراف 2. Introducing Graph Machine Learning

  • چالش‌های استفاده از گراف در یادگیری ماشین Challenges of using graphs in machine learning

  • رویکردهای یادگیری ماشین گراف Approaches to graph machine learning

  • وظایف پیش‌بینی با گراف‌ها Prediction tasks with graphs

3. معرفی شبکه‌های عصبی گراف 3. Introducing Graph Neural Networks

  • معماری شبکه عصبی گراف The graph neural network architecture

  • درک ساختار GNNها Understanding the structure of GNNs

  • شهود شبکه‌های عصبی گراف Graph neural networks intuition

  • انتقال پیام، تبدیل و تجمیع Message passing transformation and aggregation

  • آموزش یک GNN Training a GNN

4. نمایش گراف‌ها در PyTorch Geometric 4. Representing Graphs in PyTorch Geometric

  • تمرین: بصری‌سازی گراف‌ها و بررسی متدهای گرافی Exercise: Visualizing graphs and exploring graph methods

  • معرفی PyTorch Geometric Introducing PyTorch Geometric

  • تمرین: راه‌اندازی ساختار داده گرافی در PyG Exercise: Setting up a graph data structure in PyG

  • تمرین: بررسی مجموعه داده Cora Exercise: Exploring the cora dataset

  • تمرین: بصری‌سازی و بررسی یک گراف جهت‌دار Exercise: Visualizing and exploring a directed graph

  • تمرین: دسته‌های کوچک داده (Mini batches) Exercise: Mini batches of data

  • تمرین: نمایش گراف‌های ناهمگن در PyG Exercise: Representing heterogeneous graphs in PyG

  • تمرین: آماده‌سازی محیط Colab و کتابخانه‌ها Exercise: Set up the Colab environment and libraries

5. انجام طبقه‌بندی گره‌ها با استفاده از GNNها 5. Performing Node Classification Using GNNs

  • تمرین: آموزش مدل پایه (Baseline) Exercise: Training the baseline model

  • تمرین: راه‌اندازی یک DNN به عنوان مدل پایه Exercise: Setting up a DNN as a baseline model

  • تمرین: مجموعه داده CiteSeer برای طبقه‌بندی گره‌ها Exercise: The CiteSeer dataset for node classification

  • تمرین: آموزش یک GCN Exercise: Training a GCN

  • تمرین: راه‌اندازی یک شبکه پیچشی گراف Exercise: Setting up a graph convolutional network

جمع‌بندی Conclusion

  • خلاصه و گام‌های بعدی Summary and next steps

نمایش نظرات

آموزش شبکه‌های عصبی گراف (GNN)
جزییات دوره
2h 13m
27
(آخرین آپدیت)
2,114
- 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.