دوره آموزشی آنلاین پردازش گراف

دوره
اطلاعات تکمیلی

دوره آموزشی آنلاین پردازش گراف

درسنامه های دوره آموزشی آنلاین پردازش گراف در چندین فصل توسط استاد محمد حیدری تدوین شده است.

نوع دوره: آموزش متنی

توسط مدرسه علوم داده و بیگ دیتا

دسترسی بلافاصله پس از ثبت نام

مدت دوره: 180 دقیقه

سطح دوره: مقدماتی

اعطای مدرک پایان دوره

به همراه پشتیبانی

زبان دوره: پارسی

بدون پیش نیاز

آشنایی با راهبر و مدرس دوره آموزشی آنلاین پردازش گراف

محمد حیدری فارغ التحصیل مقطع کارشناسی مهندسی نرم افزار، دانشجوی اسبق مقطع کارشناسی ارشد مهندسی فناوری اطلاعات، گرایش معماری سازمانی در دانشگاه شهید بهشتی تهران و فارغ التحصیل مقطع کارشناسی ارشد مهندسی فناوری اطلاعات گرایش شبکه های پیچیده از دانشگاه تربیت مدرس تهران است. ایشان هم اکنون بعنوان مدیریت عامل شرکت رایانش هوشمند شریف فعالیت می کنند و بنیانگذار مدرسه علوم داده وبیگ دیتا بعنوان یک پلتفرم آموزشی آنلاین هوش مصنوعی برای پارسی زبانان دنیا می باشند.

سوابق پژوهشی و برگزاری کارگاه های آموزشی در سطح ملی

  • برگزاری کارگاه آموزشی پردازش و تحلیل کلان داده بر بستر موتور پردازشی اسپارک
    • (یازدهمین کنفرانس بین المللی فناوری اطلاعات، دانشگاه شهید بهشتی تهران)
  • برگزاری کارگاه آموزشی Towards Big Data Processing by Spark Unified Analytics Engine
    • (ششمین سمینار زمستانه علوم کامپیوتر دانشگاه صنعتی شریف)
  • برگزاری کارگاه آموزشی Graph Analytics Algorithms, Community Detection Approaches
    • (پنجمین سمینار زمستانه علوم کامپیوتر دانشگاه صنعتی شریف)
  • برگزاری کارگاه آموزشی Deep Learning-based Natural Language Processing
    • (همایش علوم داده و هوش مصنوعی دانشگاه صنعتی امیرکبیر)

سوابق تدریس دانشگاهی

  • تدریس یار درس کاوش مه داده، دانشکده علوم ریاضی و کامپیوتر، دانشگاه تربیت مدرس تهران
    • بهار 1400
  • تدریس یار درس کاوش دادگان انبوه، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس تهران
    • زمستان 1398
  • تدریس یار درس داده کاوی و کشف دانش، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس تهران
    • زمستان 1398
  • تدریس یار درس شبکه های پیچیده، دانشکده مهندسی صنایع، دانشگاه شهید بهشتی تهران
    • زمستان 1398
  • تدریس یار درس تحلیل شبکه های اطلاعاتی، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس تهران
    • پاییز 1398
  • مدرس دوره های برنامه نویسی پایتون و لینوکس، مرکز آموزش های تخصصی جهاد دانشگاهی
    • تابستان 1396

مقالات پژوهشی در کنفرانس های بین المللی

 M Heydari and B. Teimourpour, “Graph Representation Learning Towards
Patents Network Analysis”, 2021 11th International Conference on Computer
Engineering and Knowledge (ICCKE), 2021.
[Ref]
 
 M. Heydari and B. Teimourpour, “Persian Opinion Mining: A
Networked Analysis Approach,”
 2021 7th International Conference
on Web Research (ICWR), 2021, pp. 142-149,
doi: 10.1109/ICWR51868.2021.9443158. [Ref]
  
 M. Heydari, M. Khazeni, Mohammad Ali Soltanshahi, “Deep Learning-based Sentiment
Analysis in Persian Language,”
 2021 7th International Conference
on Web Research (ICWR), 2021, pp. 287-291,
doi: 10.1109/ICWR51868.2021.9443152. [Ref]
  
 M. Heydari and B. Teimourpour, “Analysis of ResearchGate, a
Community Detection Approach,”
 2020 6th International Conference
on Web Research (ICWR), 2020, pp. 319-324,
doi: 10.1109/ICWR49608.2020.9122296. [Ref]
  
 M. Heydari and F. Sham Aliee, “Migration to the Microservice
Architecture Style Comparing to the Monolithic Architecture Style with
Forwarding Challenges Analysis,” 2018 4th International    Conference on Web Research (ICWR), 2018.
[Ref]

بعد از دوره آموزشی آنلاین پردازش گراف چی یاد می گیریم؟

به طور خلاصه با مفاهیم پایه ای تئوری گراف آشنا می شیم، الگوریتم های پایه ای گراف رو درک می کنیم و در مرحله عملی، کار با کتابخانه گرافی NetworkX رو یاد می گیریم.

سرفصل های دوره آموزشی آنلاین پردازش گراف

مفاهیم پایه ای تئوری گراف

آموزش الگوریتم های کلیدی گراف

آموزش کتابخانه گرافی NetworkX

مخاطبین دوره آموزشی آنلاین پردازش گراف چه افرادی هستند؟

علاقه مندان به علم شبکه و پردازش گراف های حجیم

در نظریه گراف تلاش عمدتا بر شناسایی و مطالعه ساختارهاییه که بتونیم اون‌ها رو به صورت تحلیلی دنبال کنیم. برای همین، گراف‌کارها (نظریه‌پردازان گراف!) معمولا به سراغ گراف‌های تصادفی، گراف‌های کامل و مسائلی مثل رنگ آمیزی و کاور کردن میرن. اما در علم شبکه، مردم بیشتر به دنبال مسائل کاربردی‌تر و مدل‌هایی هستند که بیشتر مسائل دنیای واقعی (فیزیکی، شیمیایی، زیستی، اجتماعی و اقتصادی) رو توجیه‌ کنند! برای همین لزوما از لحاظ ساختاری این شبکه‌ها، گراف‌هایی نه کاملا تصادفی و نه کامل، بلکه گراف‌هایی تنک با توزیع درجه‌‌های دم‌کلفت هستند!

علم شبکه، امروز یک ساختار پدیدارشناسانه از دنیای بس‌ذره‌ای و پیچیده بیرونه! یک مقایسه زمانی با فیزیک، میشه گفت که علم شبکه در زمان ما، بسیار شبیه به ترمودینامیک زمان کارنو هست و نه ترمودینامیک در زمان بولتزمان، مکسول و فون‌نویمان! انتظار بر اینه که تلاش‌های جدی صورت بگیره تا ریاضیات لازم برای علم شبکه به قدری توسعه پیدا کنه که علم شبکه به بلوغی برسه که ترمودینامیک بعد از بولتزمن رسید.

اسکرول به بالا