Çizge Sinir Ağları Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, sosyal ağlar, işlem ağları, moleküller, bilgi çizgeleri ve öneri sistemleri gibi ilişkisel verilerle çalışan ekiplerin çizge sinir ağlarını (graph neural networks, GNN) uçtan uca uygulaması için tasarlanmış ileri düzey bir programdır. Katılımcılar PyTorch Geometric ile düğüm, kenar ve çizge düzeyinde görevleri kodlar ve ölçeklenebilir çözümler geliştirir.

Neden Bu Eğitim?

İlişkiyi Modelleyin. Satır satır bağımsız kabul edilen veriyi aşın; varlıklar arasındaki bağlantıların taşıdığı sinyali modele katın.

Mimariden Uygulamaya. GCN, GraphSAGE, GAT ve GIN mimarilerini matematiğiyle kavrayıp PyTorch Geometric ile kendiniz uygulayın.

Ölçeklenebilir Çözümler. Milyonlarca düğümlü çizgelerde komşu örnekleme, mini-batch eğitim ve açıklanabilirlik tekniklerini kullanın.

“Verinin gerçek anlamı çoğu zaman tek tek kayıtlarda değil, onları birbirine bağlayan ilişkilerin örüntüsünde saklıdır.”

Ön Koşullar

PyTorch Deneyimi — PyTorch ile model tanımlama, eğitim döngüsü yazma ve tensör işlemleri yapabilmek.
Doğrusal Cebir — Matris çarpımı, özdeğer, seyrek matris ve komşuluk matrisi kavramlarına aşinalık.
Makine Öğrenmesi — Sınıflandırma, düzenlileştirme, aşırı öğrenme ve model değerlendirme kavramlarını bilmek.
GPU'lu Çalışma Ortamı — PyTorch Geometric kurulabilen Python 3 ortamı veya GPU destekli bulut not defteri erişimi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiÇizge türlerini ve temel ağ metriklerini kavramak, çizge verisini modellemeye hazırlamak ve derin öğrenme öncesi klasik gömme yöntemlerini uygulamak.

Modül 1

Çizge Teorisi ve Veri Modelleme

Düğüm, kenar, yönlü, ağırlıklı ve çok katmanlı çizgeler
Komşuluk matrisi, derece matrisi ve kenar listesi
Homojen, heterojen ve bipartit çizge yapıları
Tablo verisinden çizge oluşturma ve kenar tanımlama
Uygulama alanları: fraud, öneri, molekül, bilgi çizgesi
Laboratuvar: İşlem kayıtlarından çizge inşa etme

Modül 2

Ağ Analitiği ve Klasik Özellikler

Derece, arasındalık ve PageRank merkezilik ölçüleri
Kümelenme katsayısı, bağlı bileşenler ve yol uzunluğu
Topluluk tespiti: Louvain ve Leiden algoritmaları
Elle üretilen çizge özellikleriyle sınıflandırma
NetworkX ve Neo4j Graph Data Science'a genel bakış
Laboratuvar: NetworkX ile sosyal ağ analizi

Modül 3

Spektral Çizge Teorisi

Çizge Laplasyeni ve normalize Laplasyen matrisi
Özvektörler, çizge Fourier dönüşümü ve frekans
Spektral kümeleme ve çizge sinyal işleme sezgisi
Spektral evrişimden ChebNet ve GCN'e geçiş
Homofili ve heterofili kavramlarının model seçimine etkisi
Uygulama: Laplasyen özvektörleriyle spektral kümeleme

Modül 4

Düğüm Gömmeleri (Node Embeddings)

Kodlayıcı-kod çözücü çerçevesinde temsil öğrenme
Rastgele yürüyüş tabanlı DeepWalk ve node2vec
Gömmelerin dönüştürücü (transductive) sınırları
Gömmelerin görselleştirilmesi: t-SNE ve UMAP
Laboratuvar: node2vec ile düğüm sınıflandırması
Günün değerlendirmesi ve mesaj iletimine köprü

Günün hedefiMesaj iletimi çerçevesini kavramak, GCN, GraphSAGE, GAT ve GIN mimarilerini PyTorch Geometric ile uygulamak ve düğüm sınıflandırmasında karşılaştırmak.

Modül 1

PyTorch Geometric ile Çalışmak

Data nesnesi: edge_index, düğüm ve kenar öznitelikleri
Hazır veri setleri: Cora, PubMed ve OGB benchmarkları
DataLoader, dönüşümler ve çizge ön işleme adımları
MessagePassing sınıfı: message, aggregate, update
DGL kütüphanesi ile kısa karşılaştırma
Laboratuvar: Özel bir MessagePassing katmanı yazma

Modül 2

GCN ve GraphSAGE Mimarileri

Çizge evrişim ağı (GCN) katman formülü ve normalizasyon
Yarı denetimli düğüm sınıflandırması kurgusu
GraphSAGE: örnekleme ve toplama fonksiyonları
Tümevarımsal (inductive) öğrenme ve yeni düğümler
Katman sayısı, dropout ve öğrenme oranı ayarı
Laboratuvar: Cora üzerinde GCN ve GraphSAGE

Modül 3

Dikkat Tabanlı GNN'ler

Çizge dikkat ağları (GAT) ve dikkat katsayıları
Çok başlı dikkat ve GATv2 iyileştirmesi
Kenar özniteliklerinin mesaja dahil edilmesi
Heterofil çizgelerde dikkatin avantaj ve sınırları
Dikkat ağırlıklarının yorumlanmasında dikkat noktaları
Laboratuvar: GAT ile makale ağı sınıflandırması

Modül 4

İfade Gücü ve Derinlik Sorunları

Weisfeiler-Lehman testi ve GIN mimarisi
Aşırı düzleşme (oversmoothing) ve teşhis yöntemleri
Aşırı sıkışma (oversquashing) ve uzun menzilli bağımlılık
Artık bağlantılar, JK-Net ve normalizasyon katmanları
Laboratuvar: Derinliğin performansa etkisi deneyi
Günün özeti ve çizge düzeyi görevlere hazırlık

Günün hedefiBağlantı tahmini ve çizge sınıflandırma görevlerini kurgulamak, heterojen ve zamansal çizgeleri modellemek ve çizge dönüştürücü yaklaşımlarını değerlendirmek.

Modül 1

Bağlantı Tahmini ve Öneri Sistemleri

Kenar ayrımı, negatif örnekleme ve veri sızıntısı riski
Kodlayıcı ve nokta çarpımı kod çözücü ile skor üretimi
Değerlendirme: AUC, Hits@K ve MRR metrikleri
LightGCN ile kullanıcı-ürün öneri modeli
Bilgi çizgesi gömmeleri: TransE ve RotatE
Laboratuvar: Kullanıcı-ürün çizgesinde öneri modeli

Modül 2

Çizge Sınıflandırma ve Moleküller

Global havuzlama: toplam, ortalama ve dikkat havuzlaması
Hiyerarşik havuzlama yaklaşımları: DiffPool, TopK
Moleküler çizgeler ve RDKit ile SMILES dönüşümü
OGB moleküler özellik tahmini benchmarkları
Çizge regresyonu ve sınıflandırmasında değerlendirme
Laboratuvar: GIN ile molekül özellik tahmini

Modül 3

Heterojen ve Zamansal Çizgeler

Heterojen çizgeler: düğüm ve ilişki tipleri
R-GCN, HeteroConv ve to_hetero dönüşümü
Metapath kavramı ve heterojen dikkat yaklaşımları
Zamansal çizgeler: anlık görüntü ve olay akışı modelleri
TGN ile sürekli zamanlı dinamik çizge öğrenmesi
Laboratuvar: Heterojen işlem ağında fraud sınıflandırma

Modül 4

Çizge Dönüştürücüler ve Güncel Eğilimler

Graph Transformer mimarileri ve konumsal kodlamalar
GPS çerçevesi: yerel mesaj iletimi ile global dikkat
Çizge temel modelleri ve ön eğitim yaklaşımları
GNN ile büyük dil modellerinin birlikte kullanımı
Demo: Graph Transformer ile benchmark karşılaştırması
Günün değerlendirmesi ve ölçekleme gününe köprü

Günün hedefiBüyük çizgelerde verimli eğitim tekniklerini uygulamak, model kararlarını açıklamak, üretim mimarisini tasarlamak ve uçtan uca GNN projesini sunmak.

Modül 1

Büyük Çizgelerde Ölçeklenebilir Eğitim

Tam çizge eğitiminin bellek sınırları
NeighborLoader ile komşu örneklemeli mini-batch eğitim
Cluster-GCN ve GraphSAINT alt çizge yöntemleri
Çoklu GPU ve dağıtık eğitim seçenekleri
Bellek, gecikme ve doğruluk ödünleşimi analizi
Laboratuvar: OGB büyük ölçekli veri setinde eğitim

Modül 2

GNN Açıklanabilirliği ve Güvenilirlik

GNNExplainer ve PGExplainer ile alt çizge açıklamaları
torch_geometric.explain modülü ile açıklama üretimi
Açıklamaların doğruluk ve kararlılık değerlendirmesi
Çizgelerde çekişmeli saldırılar ve dayanıklılık
Adillik: yapısal yanlılık ve hassas öznitelikler
Laboratuvar: Şüpheli hesap kararının açıklanması

Modül 3

Üretim Mimarisi ve MLOps

Çizge veritabanından özellik ve alt çizge çekme
Toplu gömme üretimi ve vektör veritabanına aktarım
Gerçek zamanlı çıkarımda komşuluk getirme gecikmesi
MLflow ile deney takibi ve model sürümleme
Çizge yapısı ve dağılım kaymasının izlenmesi
Vaka: Öneri sisteminde GNN gömmelerinin servislenmesi

Modül 4

Uçtan Uca GNN Projesi ve Kapanış

Grup projesi: çizge tasarımı, mimari, eğitim, analiz
Proje sunumları ve kod incelemesi geri bildirimleri
Kurumsal çizge analitiği yol haritası çalışması
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar kodlarının teslimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

Çizge Modelleme — İşlem, müşteri ve ürün verisini doğru düğüm, kenar ve ilişki tipleriyle çizge yapısına dönüştürebileceksiniz.
Mesaj İletimi — Mesaj iletimi çerçevesini kavrayıp PyTorch Geometric ile özel GNN katmanları yazabileceksiniz.
Mimari Seçimi — GCN, GraphSAGE, GAT, GIN ve Graph Transformer mimarilerini problem yapısına göre seçebileceksiniz.
Bağlantı Tahmini — Negatif örnekleme ve doğru metriklerle öneri ve ilişki keşfi için bağlantı tahmin modelleri kurabileceksiniz.
Dinamik Çizgeler — Heterojen ve zaman içinde değişen çizgeleri R-GCN, HeteroConv ve TGN gibi yaklaşımlarla modelleyebileceksiniz.
Büyük Ölçekli Eğitim — Komşu örnekleme ve alt çizge yöntemleriyle milyonlarca düğümlü çizgelerde verimli eğitim yapabileceksiniz.
Açıklanabilirlik — GNNExplainer ve benzeri araçlarla model kararlarını etkileyen alt çizgeleri ortaya koyabileceksiniz.
Üretim Tasarımı — Gömme üretimi, servisleme ve izleme adımlarını içeren uçtan uca bir GNN mimarisi tasarlayacaksınız.

Kimler İçin Uygundur?

Makine öğrenmesi mühendisleri
veri bilimciler
öneri sistemi ve fraud analitiği ekipleri
hesaplamalı kimya ve biyoinformatik araştırmacıları ile bilgi çizgesi uzmanları.

Sıkça Sorulan Sorular

Çizge Sinir Ağları Eğitimi kimler için uygundur?

Program; makine öğrenmesi mühendisleri, veri bilimciler, öneri sistemi ve fraud analitiği ekipleri, bilgi çizgesi uzmanları ile hesaplamalı kimya ve biyoinformatik alanında ilişkisel veriyle çalışan araştırmacılar için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konuları kapsar?

Eğitim 4 tam gün ve 16 modülden oluşur. Çizge temelleri ve düğüm gömmeleri, mesaj iletimi mimarileri, bağlantı tahmini ile heterojen ve zamansal çizgeler, son gün ise ölçekleme, açıklanabilirlik, üretim ve proje işlenir.

Katılım için hangi teknik bilgiler gerekiyor?

PyTorch ile model eğitmiş olmak, matris işlemleri ve özdeğer gibi doğrusal cebir kavramlarına hakim olmak ve temel makine öğrenmesi bilgisine sahip olmak beklenir. PyTorch Geometric kurulabilen bir ortam gerekir.

Eğitimde hangi araçlar ve veri setleri kullanılıyor?

Laboratuvarlarda PyTorch Geometric, NetworkX, RDKit ve MLflow kullanılır; DGL ve Neo4j Graph Data Science kısaca tanıtılır. Cora, PubMed ve Open Graph Benchmark (OGB) veri setleriyle çalışılır.

GNN'ler hangi kurumsal problemlerde kullanılabilir?

Organize fraud ve para katırı ağlarının tespiti, kullanıcı-ürün öneri sistemleri, tedarik zinciri risk analizi, bilgi çizgesi tamamlama ve molekül özellik tahmini başlıca kullanım alanlarıdır. Proje çalışması kurumun alanına göre uyarlanabilir.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

ÇİZGE SİNİR AĞLARI EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Çizge Teorisi ve Veri Modelleme

Ağ Analitiği ve Klasik Özellikler

Spektral Çizge Teorisi

Düğüm Gömmeleri (Node Embeddings)

PyTorch Geometric ile Çalışmak

GCN ve GraphSAGE Mimarileri

Dikkat Tabanlı GNN'ler

İfade Gücü ve Derinlik Sorunları

Bağlantı Tahmini ve Öneri Sistemleri

Çizge Sınıflandırma ve Moleküller

Heterojen ve Zamansal Çizgeler

Çizge Dönüştürücüler ve Güncel Eğilimler

Büyük Çizgelerde Ölçeklenebilir Eğitim

GNN Açıklanabilirliği ve Güvenilirlik

Üretim Mimarisi ve MLOps

Uçtan Uca GNN Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi