حالت مطالعه

فیلمهای ضبط شده جلسات در انتهای بخش قابل مشاهده می باشد.

آیا کارگاه به صورت تئوری است؟

خیر این کارگاه هم به صورت تئوری و هم به صورت عملی است و بعد از آشنایی با مفاهیم شبکه های عصبی گرافی به سراغ فاز عملیاتی با استفاده از زبان برنامه نویسی پایتون خواهیم رفت.

چرا باید در این کارگاه شرکت کنیم؟

بسیاری از داده‌های موجود در صنعت و علوم کاربردی مختلف با استفاده از گراف‌ها مدلسازی میشوند و شبکه‌های عصبی گرافی ابزاری بسیار مناسب است که میتوان از آن برای تحلیل این دسته بسیار بزرگ داده‌ها استفاده کرد.

سطح این رویداد در چه حدی می باشد؟

رویداد در سطح متوسط برگزار خواهد شد و مناسب افرادی است که با برنامه نویسی پایتون آشنایی داشته باشند.

سرفصل های اصلی دوره شامل چه مواردی است؟

معرفی شبکه های عصبی گرافی
انواع معماری های شبکه های عصبی گرافی
انواع وظایف شبکه های عصبی گرافی
کاربرد های شبکه های عصبی گرافی
پیاده سازی شبکه های عصبی گرافی

آیا در پایان رویداد مدرک پایان دوره به شرکت کنندگان اعطا می شود؟

بله، مدرسه علم داده دارای مجوز شرکت خلاق از معاونت علمی و فناوری ریاست جمهوری، دارای مجوز واحد فناور از مرکز رشد پارک علم و فناوری تحت نظارت وزارت علوم تحقیقات و فناوری و دارای مجوز واحد فرهنگی دیجیتال از وزارت فرهنگ و ارشاد اسلامی است است، گواهینامه معتبر پایان دوره برای شرکت کنندگان صادر می گردد.

سرفصل های کلیدی رویداد

Basics of Deep Learning

Machine Learning as Optimization

Gradient Descent

SGD

MiniBatch SGD

Neural Network Function

Back Propagation

Non-Linearity

MLP

Deep Learning for Graphs

Local network neighborhoods

Describe aggregation strategies

Define computation graphs

Permutation Invariant / Equivariant

Graph Convolutional Networks

Describe the Model, Parameters, Training

Fit Model

How to Train A GNN

Unsupervised and Supervised Training

GNNs Subsume CNNs and Transformers

GNN vs CNN

GNN vs Transformer

General GNN Framework

Kind of Message and Aggregation

Layer Connectivity – Drop-out, Batch Norm,

Graph Augmentation

Learning Objective

Receptive field and Over-Smoothing

Graph Learning Python

Libraries (PyTorch Geometric, Graph Nets, Deep Graph)

Cades

با کدام کتابخانه های برنامه نویسی پایتون در حوزه گراف کار می کنیم؟

نمونه گواهینامه رسمی و معتبر مدرسه علم داده

آشنایی با مدرس رویداد

احمد راستی

احمد راستی سابقه تحصیل در مقطع کارشناسی ارشد علوم داده از دانشگاه صنعتی اصفهان و کارشناسی ریاضیات از دانشگاه اصفهان را در کارنامه تحصیلی خود دارد. ایشان در حال حاضر پژوهشگر ارشد شبکه های عصبی گرافی هستند.

اهمیت موضوع

در سال‌های اخیر، شبکه های عصبی گرافی به دلیل قدرت بیانی زیاد و عملکرد فوق‌العاده‌اش، محبوبیت فزاینده‌ای در حوزه‌های مختلف به دست آورده. ساختارهای گراف به ما امکان می‌دهد داده‌ها را با ساختارها و روابط پیچیده ضبط کنیم و GNN این فرصت را برای ما فراهم می‌کند تا این نمایش داده پیچیده را برای کارهایی مانند طبقه‌بندی، خوشه‌بندی، پیش‌بینی پیوند و نمایش قوی مطالعه و مدل‌سازی کنیم.

با توجه به این که این موضوع مفهومی نسبتاً جدید است و یادگیری آن از کنفرانس‌ها و مقالات سخت خواهد بود، این دوره می‌تواند به کمک شما بیاید. این دوره مطالب مقدماتی کاملی را برای یادگیری شبکه های عصبی گرافی ارائه می‌دهد و با اتمام این دوره به درک خوبی از موضوع در تئوری و هم در عمل می‌رسید. در این دوره آموزشی هم به شما مباحث ریاضی و هم نحوه کد نویسی آن‌ها در زبان برنامه‌نویسی پایتون تدریس می‌شود. حال اگر می‌خواهید شروع به یادگیری در مورد شبکه های عصبی گرافی و مدل‌های GNN را در پایتون پیاده‌سازی کنید؛ این دوره مناسب شما خواهد بود

درباره این کارگاه آموزشی پروژه محور بیشتر بدانیم

داده‌های گرافی، دسته بسیار متنوعی از داده‌ها هستند که کاربرد‌های فراوانی در صنایع مختلف دارند. عملکرد افراد در شبکه‌های اجتماعی، ساختار‌های شیمیایی دارو‌ها، داده‌های ترافیک شهری، تصاویر و سیگنال‌های مغزی مثال‌هایی از انواع داده هستند که میتوان با استفاده از گراف نمایش داد. شبکه‌های عصبی گرافی دسته‌ای از شبکه ‌های عصبی است که میتوان از آن‌ها برای تحلیل و پردازش داده‌های گرافی استفاده کرد و مسائل مختلف مطرح در این نوع داده‌ها نظیر طبقه بندی رئوس، طبقه بندی گراف‌ها و یا خوشه بندی گراف‌ها استفاده کرد. در این کارگاه معماری‌ها و الگوریتم‌های ارائه شده برای شبکه‌های عصبی گرافی را بررسی خواهیم کرد و به حل مسائل مختلف با استفاده از Graph Neural Networks خواهیم پرداخت.

شبکه های عصبی گرافی (Graph Neural Networks)

شبکه عصبی گراف (GNN) یک کلاس از شبکه‌های عصبی مصنوعی برای پردازش داده‌ها است که می‌تواند به صورت یک گراف نمایش داده شود. در موضوع کلی‌تر “یادگیری ژرف هندسی”، برخی از معماری‌های شبکه عصبی خاص موجود را می‌توان به عنوان شبکه‌های عصبی گرافی که بر روی گراف‌های خوش‌تعریف عمل می‌کنند تفسیر کرد. شبکه‌های عصبی پیچشی، در زمینه بینایی کامپیوتری، می‌توانند به‌عنوان یک شبکه‌ عصبی گراف به اعمال شده روی گراف‌هایی که به‌صورت شبکه‌هایی از پیکسل‌ها ساخته شده‌اند، دیده شوند. ترنسفورمرها، در زمینه پردازش زبان‌های طبیعی، می‌توانند به‌عنوان شبکه‌های عصبی گرافی دیده شوند که برای گراف کاملی که گره‌های آن‌ها کلمات در یک جمله هستند اعمال می‌شوند.

نکته کلیدی در طراحی شبکه‌های عصبی گراف، استفاده از روش ارسال پیام به‌صورت زوجی است؛ به‌گونه‌ای که گره‌های گراف به طور مکرر مقادیر و نمایش‌شان را از طریق تبادل اطلاعات با همسایه‌هایشان به‌روز می‌کنند. از زمان ظهور شبکه‌های عصبی گراف،‌ معماری‌های مختلفی با انواع روش‌های ارسال پیام معرفی شده‌اند. اما تا به امروز این سوال که آیا می‌توان معماری شبکه‌های عصبی گرافی ارائه کرد که از ارسال پیام فراتر برود یا برای هر گرافی که به شکلی مناسب تعریف شده است یک مدل شبکه‌ عصبی گراف مبتنی بر ارسال پیام طراحی کرد بدون پاسخ باقی‌مانده‌است. حوزه های کاربرد شبکه‌های عصبی گراف شامل شبکه‌های اجتماعی، شبکه های استنادی، زیست‌شناسی مولکولی، شیمی، فیزیک و مسائل بهینه‌سازی ترکیبیاتی NP-Hard است.