شبکه‌های عصبی ژرف و گرافی

Graph and Deep Neural Networks

مقطع: تحصیلات تکمیلی گرایش: فناوری و علم شبکه
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: – هم‌نیاز: –

هدف کلی

هدف از این درس، آشنایی دانشجویان با روش‌های شبکه عصبی ژرف در تحلیل گراف می‌باشد. این روش‌ها که به بازنمایی گراف نیز معروف هستند در حال حاضر برای تحلیل شبکه‌های اجتماعی و پیچیده استفاده می‌شود. همچنین این روش‌ها در سیستم‌های توصیه‌گر شبکه‌ای مورد استفاده قرار می‌گیرند.

سرفصل‌ها

  1. معرفی علم شبکه، کاربردها، مصور کردن شبکه، قالب‌های ذخیره‌سازی و کار با نرم‌افزار، مرور نظریه گراف
  2. انواع مرکزیت در شبکه‌ها، اجتماع‌یابی در شبکه
  3. توزیع درجه، شبکه‌های تصادفی، جهان کوچک، شبکه‌های آزاد از مقیاس
  4. شبکه‌های عصبی و پس انتشار خطا
  5. شبکه‌های عصبی ژرف
  6. نهفته‌سازی گره (Node embedding)
  7. شبکه‌های عصبی گرافی، GCN و یادگیری بازنمایی
  8. شبکه‌های عصبی گرافی برای دسته‌بندی گره، پیش‌بینی پیوند، دسته‌بندی گراف، تطابق (Matching) گراف
  9. مدل‌های گرافی مولد
  10. گراف‌های پویا

ارزیابی پیشنهادی

منابع پیشنهادی

  1. Hamilton W.L. (2020), Graph Representation learning, McGill School Of Computer Science.
  2. Newman M., Networks (2018), 2nd Edition. Oxford University Press.
  3. Leskovec J., Rajaraman A., Ullman J. (2019) Mining of Massive Datasets, 3rd Edition, Cambridge University Press.
  4. Wu l., Cui P., Pei J., Wu L. G. (2022) Graph Neural Networks Foundations, Frontiers, and Applications, Springer.
  5. Barabási A. (2016). Network science. Cambridge University Press.