منابع آموزشی برای شبکه های عصبی گرافی (GNN) – بخش دوم (منابع ویدیویی)

شبکه های عصبی گرافی یا Graph Neural Network (به اختصار GNN) از جمله تکنیک‌های پیشرفته یادگیری عمیق هستند که در حال حاضر بسیار محبوب هستند. این تکنیک‌ها برای پردازش داده‌های گرافی استفاده می‌شوند و به عنوان روشی مؤثر برای تشخیص الگوها و پیش‌بینی بر روی داده‌های گرافی شناخته شده‌اند. در بخش قبلی (منابع آموزشی برای شبکه های عصبی گرافی (GNN) – بخش اول) منابع مفید برای ورود به عرضه شبکه های عصبی گرافی معرفی شد، اما در این ویدیو سعی دارم بیشتر پیرامون منابع ویدیویی صحبت کنم.

دوره استنفورد – CS224W – سال 2021

قطعا و بی شک دوره ی دانشگاه استنفورد تحت عنوان CS224w در هر لیستی برای معرفی منابع جای میگیرد، اما با توجه به اینکه ممکنه برای شروع سنگین باشه شاید بد نباشه با دوره فارسی شبکه های عصبی گرافی شروع کنید. این لیست پخش برای سال 2021 بوده و مباحث مختلفی را در بر میگیره:

https://www.youtube.com/playlist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn

ویدیوهای Pytorch Geometric tutorial

دو دوره ویدیویی با عناوین “Pytorch Geometric tutorial” و “Advanced Pytorch Geometric tutorial” نیز سرفصهای خوبی را به همراه مثالها عملی در پایتورج جئومتریک پوشش میدهد، اما بخی از جلسات ممکن است بیان خیلی خوبی نداشته باشد. به هر حال ویدیوهای زیادی از این آموزشها در سایت اصلی و رسمی pyg یا همون پایتورچ جئومتریک دیده میشود.
دوره اول شامل 18 جلسه و دوره پیشرفته شامل 6 جلسه است که هر دو در سال 2021 ضبط شده است.

سرفصلهای Pytorch Geometric tutorial

1. Tutorial 1: What is Geometric Deep Learning?
2. Tutorial 2: PyTorch basics
3. Tutorial 3: Graph Attention Network GAT
4. Tutorial 4: Convolutional Layers – Spectral methods
5. Tutorial 5: Aggregation Functions in GNNs
6. Tutorial 6: Graph Autoencoder and Variational Graph Autoencoder
7. Tutorial 7: Adversarial Regularizer Autoencoders
8. Tutorial 8: Graph Generation
9. Tutorial 9: Recurrent Graph Neural Networks
10. Tutorial 10: DeepWalk and Node2Vec THEORY
11. Tutorial 11: DeepWalk and Node2Vec PRACTICE
12. Tutorial 12: Edge Analysis
13. Tutorial 13: MetaPath2vec
14. Tutorial 14: Data handling in PyG (part 1)
15. Tutorial 15: Data handling in PyG (part 2)
16. Tutorial 16: Specia Guest: Matthias Fey
17. Tutorial 17: Specia Guest: Sergei Ivanov
18. Tutorial 18: Graph pooling: DIFFPOOL

https://antoniolonga.github.io/Pytorch_geometric_tutorials/

سرفصلهای Advanced Pytorch Geometric tutorial:

1. Tutorial 1: Open Graph Benchmark (OGB)
2. Tutorial 2: GraphGym
3. Tutorial 3: Price Graphs
4. Tutorial 4: Heterogeneous graph learning
5. Tutorial 5: Advanced mini-batching
6. Tutorial 6: Memory-Efficient aggregations

https://antoniolonga.github.io/Advanced_PyG_tutorials/index.html

لیست پخش یوتیوب DeepFindr

این فرد هم خیلی فعاله و ویدیوهای جذابی در این زمینه ضبط میکنه:

https://www.youtube.com/playlist?list=PLV8yxwGOxvvoNkzPfCx2i8an–Tkt7O8Z

1. Understanding Graph Neural Networks | Part 1/3 – Introduction
2. Understanding Graph Neural Networks | Part 2/3 – GNNs and it’s Variants
3. Understanding Graph Neural Networks | Part 3/3 – Pytorch Geometric and Molecule Data using RDKit
4. Node Classification on Knowledge Graphs using PyTorch Geometric
5. How to use edge features in Graph Neural Networks (and PyTorch Geometric)
6. Understanding Graph Attention Networks
7. GNN Project #1 – Introduction to HIV dataset
8. GNN Project #2 – Creating a Custom Dataset in Pytorch Geometric
9. GNN Project #3.1 – Graph-level predictions
10. GNN Project #3.2 – Graph Transformer
11. GNN Project #4.1 – Graph Variational Autoencoders
12. GNN Project #4.2 – GVAE Training and Adjacency reconstruction
13. GNN Project #4.3 – One-shot molecule generation – Part 1
14. GNN Project #4.3 – Code explanation
15. How to explain Graph Neural Networks (with XAI)
16. Explaining Twitch Predictions with GNNExplainer
17. Python Graph Neural Network Libraries (an Overview)
18. Friendly Introduction to Temporal Graph Neural Networks (and some Traffic Forecasting)
19. Traffic Forecasting with Pytorch Geometric Temporal
20. Fraud Detection with Graph Neural Networks
21. Fake News Detection using Graphs with Pytorch Geometric
22. Recommender Systems using Graph Neural Networks
23. Converting a Tabular Dataset to a Graph Dataset for GNNs
24. Converting a Tabular Dataset to a Temporal Graph Dataset for GNNs
25. Causality and (Graph) Neural Networks
26. Self-/Unsupervised GNN Training
27. Equivariant Neural Networks | Part 3/3 – Transformers and GNNs

ویدیوی آموزشی فارسی

اینو آخر نوشتم اما به نظرم با توججه به تلاشی که کردم دید خیلی خوبی بهتون میده، البته اگر دانشجوی دوره نباشید

دوره‌ی آموزشی آنلاین Graph Neural Network