Spektral ile GNN Düğüm Sınıflandırma

Eğitim Hakkında

Spektral ile GNN düğüm sınıflandırma

Eğitim, graf sinir ağlarıyla düğüm sınıflandırmayı Spektral kütüphanesi üzerinden işler: graf ve adjacency/feature matrisi gösterimi, mesaj iletimi (message passing) mantığı, GCN, GAT ve GraphSAGE katmanları, Cora ve Citeseer atıf ağı veri setleri, Spektral Dataset ve Loader sınıfları, Keras ile eğitim, maskeler ile yarı gözetimli öğrenme, aşırı yumuşatma, hiperparametre ayarı ve değerlendirme.

Süre ve Format

2 Gün. Her gün dört modül; Graf Temelleri ve GCN; İleri Mimariler ve Değerlendirme ekseninde ilerleyen uygulamalı program.

Seviye

İleri Seviye — Graf sinir ağları ile düğüm sınıflandırma: GCN, GAT, GraphSAGE, Spektral ve TensorFlow/Keras

Öğrenme Metodu

Cora atıf ağında makale sınıflandırma modeli adım adım kurulur; GCN, GAT ve basit MLP taban çizgisi karşılaştırılır.

Neden Bu Eğitim?

🕸️Graf düşüncesi

İlişkisel veriyi düğüm ve kenar olarak modelleyip öğrenirsiniz.

🧠GNN mimarileri

GCN, GAT ve GraphSAGE farklarını kodla görürsünüz.

📊Doğru değerlendirme

Yarı gözetimli kurulumda maske ve metrikleri doğru kullanırsınız.

Anahtar Konular

graf sinir ağlarıgnn eğitimispektral kütüphanesigcngraph attention networkdüğüm sınıflandırmacora veri setigraphsagetensorflow keras

“Veri nesnelerden çok ilişkilerden oluşuyorsa, modeliniz de ilişkileri öğrenmelidir.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Python

NumPy ve Pandas ile rahat çalışma.

2

Derin öğrenme

Keras/TensorFlow ile model eğitimi.

3

Lineer cebir

Matris çarpımı ve normalizasyon.

4

Ortam

Python 3.10, TensorFlow ve Spektral kurulumu.

Eğitim İçeriği

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

Günün hedefiKatılımcı grafı matrislerle ifade eder ve GCN ile düğüm sınıflandırma modeli kurar.

Modül 1

Graf Gösterimi

Düğüm, kenar ve özellik matrisi
Adjacency matrisi ve seyrek format
Yönlü ve yönsüz graf
Derece matrisi ve normalizasyon
Kendi kendine bağlantı (self-loop)
NetworkX ile görselleştirme

Modül 2

Düğüm Sınıflandırma Problemi

Yarı gözetimli öğrenme kurulumu
Cora ve Citeseer veri setleri
Train/val/test maskeleri
Taban çizgisi: MLP ve özellik tabanlı
Etiket oranı etkisi
Veri seti istatistikleri

Modül 3

Mesaj İletimi ve GCN

Komşu bilgi toplama mantığı
GCN formülü: D^-1/2 A D^-1/2 XW
GCNConv katmanı (Spektral)
Katman sayısı ve alıcı alan
Aşırı yumuşatma (over-smoothing)
Dropout ve L2 düzenlileştirme

Modül 4

Spektral Kütüphanesi

Dataset ve Graph sınıfları
Citation veri yükleyicisi
SingleLoader ve BatchLoader
Seyrek matris işleme (scipy)
Keras Model entegrasyonu
Dönüşümler: GCNFilter, AdjToSpTensor

Günün hedefiKatılımcı farklı GNN katmanlarını karşılaştırır, modeli iyileştirir ve değerlendirir.

Modül 1

Dikkat Tabanlı GNN

GAT katmanı ve dikkat katsayıları
Çok başlı dikkat
GATConv hiperparametreleri
Dikkat ağırlıklarını görselleştirme
GCN ile karşılaştırma
Hesaplama maliyeti

Modül 2

Örnekleme ve Ölçek

GraphSAGE ve komşu örnekleme
Toplama fonksiyonları (mean, max, LSTM)
Mini-batch eğitim
Büyük graf ölçekleme
Cluster-GCN fikri
Bellek ve seyreklik ayarları

Modül 3

Eğitim ve Ayarlama

Kayıp fonksiyonu ve maskeli kayıp
Optimizer ve öğrenme oranı
Erken durdurma (early stopping)
Hiperparametre arama
Ağırlık ilklendirme
Tekrarlanabilirlik için seed

Modül 4

Değerlendirme ve Yorum

Doğruluk, F1 makro ve karışıklık matrisi
Düğüm gömmelerini t-SNE ile çizme
Hata analizi
Sınıf dengesizliği
GNN sınırlamaları ve ne zaman kullanılmaz
PyG ve DGL ile kısa karşılaştırma

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

Graf matrisleri

Grafı adjacency ve feature matrisiyle temsil edebilirsiniz.

✅

Yarı gözetimli kurulum

Maske ile train/val/test ayrımını doğru yapabilirsiniz.

✅

GCN modeli

Spektral ile GCN düğüm sınıflandırıcı kurabilirsiniz.

✅

GAT modeli

Dikkat tabanlı GAT modelini eğitebilirsiniz.

✅

GraphSAGE

Komşu örnekleme mantığını açıklayabilirsiniz.

✅

Aşırı yumuşatma

Aşırı yumuşatma ve düzenlileştirme etkisini yorumlayabilirsiniz.

✅

Hiperparametre

Erken durdurma ve arama ile modeli iyileştirebilirsiniz.

✅

Değerlendirme

F1 ve gömme görselleştirmesiyle sonuçları yorumlayabilirsiniz.

Kimler İçin Uygundur?

Python ve derin öğrenme bilen veri bilimciler
makine öğrenmesi mühendisleri
ağ/sosyal graf verisi üzerinde çalışan araştırmacılar için uygundur

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Python ve derin öğrenme bilen veri bilimciler, makine öğrenmesi mühendisleri ve ağ/sosyal graf verisi üzerinde çalışan araştırmacılar için uygundur.

Spektral hâlâ kullanılıyor mu?

Spektral Keras/TensorFlow tabanlıdır; kavramlar PyTorch Geometric ve DGL'ye de aynen taşınır.

GPU gerekli mi?

Cora gibi küçük graflar CPU ile çalışır; büyük graflar için GPU önerilir.

Hangi veri setleriyle çalışılır?

Cora, Citeseer ve Pubmed atıf ağları kullanılır.

Eğitim sonunda sertifika verilir mi?

Katılımcılara Digital Vizyon Akademi Katılım ve Başarı Sertifikası verilir.

Sertifikalandırma

Bu eğitim Digital Vizyon Akademi Başarı 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

GNNS: CLASSIFYING GRAPH NODES WITH THE SPEKTRAL LIBRARY EĞİTİMİ