دوره LinkedIn - Advanced Graph Neural Networks 2024-8، یکی از جدیدترین و جامع‌ترین آموزش‌های پیشرفته در حوزه شبکه‌های عصبی گراف است. در این دوره، شما با مفاهیم تئوریک و عملی GNN، روش‌های نوین «ارسال پیام» (Message Passing)، ساختارهای پیچیده گراف و کاربردهای گسترده آن در مسائلی مانند پیشنهادگرها، تحلیل شبکه‌های اجتماعی، پیش‌بینی ملکول‌ها و… آشنا خواهید شد.

این دوره با هدف پر کردن خلأ آموزشی بین مباحث پایه و پروژه‌های صنعتی GNN طراحی شده و با تمرکز بر مثال‌های عملی و اجرای کد در فریم‌ورک‌های مطرح مثل PyTorch Geometric و DGL، شما را برای اجرای پروژه‌های واقعی و تحقیقاتی آماده می‌کند.

• آشنایی متوسط با زبان پایتون و کتابخانه‌های علمی (NumPy، Pandas)
• مبانی یادگیری عمیق با فریم‌ورک PyTorch یا TensorFlow
• درک اولیه از گراف‌ها و نظریه گراف (Nodes, Edges, Adjacency)
• مفاهیم پایه‌ای در شبکه‌های عصبی کانولوشنی (CNN) برای مقایسه با GNN
• کامپیوتر با GPU توصیه می‌شود، اما CPU هم قابل استفاده است

• آشنایی با ساختار و نمایش گراف‌ها در فضای محاسباتی
• مکانیزم Message Passing و نحوه به‌روز رسانی ویژگی هر گره
• معماری‌های پیشرفته: GCN، GAT، GraphSAGE و نسل جدید مدل‌های Transformer-based GNN
• بهینه‌سازی و تنظیم ابرپارامترها (Hyperparameter Tuning) برای گراف‌های بزرگ
• کشف الگو و خوشه‌بندی در گراف‌های متنی و اجتماعی
• کاربردهای تجاری: پیش‌بینی ارتباط‌ها، تحلیل شبکه‌های اجتماعی، کنترل کیفیت داده‌های گرافی
• ارائه پروژه نهایی با داده واقعی و بارگذاری در GitHub

• بخش 1: مقدمه بر گراف‌ها و شبکه‌های عصبی گراف
• بخش 2: تئوری Message Passing و پیاده‌سازی پایه‌ای در PyTorch Geometric
• بخش 3: معماری‌های کلاسیک GCN و GraphSAGE
• بخش 4: شبکه‌های گراف توجه‌محور (GAT) و مقایسه عملکرد
• بخش 5: اجزای Transformer در GNN و مدل‌های ترکیبی
• بخش 6: روش‌های مقیاس‌پذیری برای گراف‌های بسیار بزرگ
• بخش 7: کاربرد در شیمی مولکولی و پیش‌بینی خواص ملکول‌ها
• بخش ۸: طراحی و اجرای پروژه نهایی با داده‌های Kaggle یا LinkedIn Dataset

• دسترسی به سورس‌کد کامل و مثال‌های عملی برای تمرین
• مدرک معتبر LinkedIn Learning پس از پایان دوره
• ارتباط با جامعه حرفه‌ای محققان و مهندسان GNN
• به‌روزرسانی مداوم محتوا و دسترسی به نسخه‌های بعدی رایگان
• پشتیبانی فنی و پاسخ به سوالات از سوی مدرس دوره

در طول دوره، با چند پروژه عملی روی داده‌های واقعی آشنا می‌شوید:

• پیش‌بینی لینک‌های گم‌شده در شبکه‌های اجتماعی با GCN
• خوشه‌بندی کاربران بر اساس رفتار و محتوا با استفاده از GraphSAGE
• تعیین فعالیت ملکولی و پیش‌بینی خاصیت‌های شیمیایی با یادگیری گراف و ترکیب با LSTM
• بهینه‌سازی پیشنهادگر کالا با ترکیب داده‌های کاربر و محصول در یک گراف دو‌حوزه‌ای

مثال کد ساده Message Passing:

import torch
from torch_geometric.nn import MessagePassing

class SimpleGNN(MessagePassing):
    def __init__(self):
        super().__init__(aggr='add')
    def forward(self, x, edge_index):
        return self.propagate(edge_index, x=x)
    def message(self, x_j):
        return x_j
    def update(self, aggr_out):
        return aggr_out + torch.relu(aggr_out)
  

این مثال نقطه شروع برای درک جریان اطلاعات در گراف است که در دوره با جزییات بیشتری بررسی می‌شود.

با دانلود رایگان این دوره از LinkedIn Learning (کد 2024-8)، مهارت‌های خود را در حوزه شبکه‌های عصبی گراف به سطح حرفه‌ای ارتقاء دهید و در پروژه‌های تحقیقاتی و صنعتی بدرخشید.