با شرکت در این دوره، شما دانش و مهارت‌های زیر را کسب خواهید کرد:

• مبانی مدل‌های گرافیکی: درک کاملی از مفاهیم کلیدی مانند گره‌ها، یال‌ها، شبکه‌های بیزی و مارکوف.
• استنتاج: یادگیری روش‌های مختلف استنتاج از جمله حذف متغیرها، استنتاج تقریبی و مونت‌کارلو.
• یادگیری: آشنایی با روش‌های یادگیری پارامترها و ساختار مدل‌های گرافیکی.
• مدل‌سازی: توانایی ساخت و ارزیابی مدل‌های گرافیکی برای انواع مختلفی از داده‌ها.
• کاربردها: درک کاربرد مدل‌های گرافیکی در حوزه‌های مختلف مانند پردازش زبان طبیعی، بینایی ماشین، بیوانفورماتیک و تشخیص الگو.
• پیاده‌سازی عملی: تسلط بر پیاده‌سازی مدل‌های گرافیکی با استفاده از کتابخانه‌های پایتون مانند pgmpy.

شرکت در دوره مدل‌های گرافیکی احتمالی مزایای متعددی را به همراه دارد:

• درک عمیق: کسب درک عمیق از مفاهیم اساسی و تکنیک‌های پیشرفته در مدل‌سازی احتمالی.
• مهارت‌های عملی: توسعه مهارت‌های عملی در پیاده‌سازی، آموزش و ارزیابی مدل‌های گرافیکی.
• افزایش فرصت‌های شغلی: افزایش فرصت‌های شغلی در حوزه‌های داده‌کاوی، یادگیری ماشین و هوش مصنوعی.
• به‌روزرسانی دانش: به‌روزرسانی دانش و مهارت‌ها در یکی از حوزه‌های کلیدی در هوش مصنوعی.
• حل مسائل دنیای واقعی: توانایی حل مسائل دنیای واقعی با استفاده از مدل‌های گرافیکی.

برای شرکت در این دوره، داشتن پیش‌زمینه‌های زیر توصیه می‌شود:

• ریاضیات: آشنایی با مفاهیم جبر خطی، حسابان و نظریه احتمال.
• آمار: درک مفاهیم اساسی آمار مانند توزیع‌های احتمال، امید ریاضی و واریانس.
• برنامه‌نویسی: تسلط بر زبان برنامه‌نویسی پایتون و آشنایی با کتابخانه‌های numpy و pandas.
• یادگیری ماشین: آشنایی با مفاهیم پایه یادگیری ماشین مانند رگرسیون، طبقه‌بندی و خوشه‌بندی.

بخش 1: مقدمه‌ای بر مدل‌های گرافیکی

در این بخش، شما با مفاهیم اساسی مدل‌های گرافیکی آشنا می‌شوید. این شامل معرفی شبکه‌های بیزی، شبکه‌های مارکوف، گره‌ها، یال‌ها و مفاهیم وابستگی و استقلال شرطی است. همچنین به بررسی انواع مختلف مدل‌های گرافیکی و کاربردهای آن‌ها پرداخته می‌شود.

بخش 2: شبکه‌های بیزی

این بخش به طور خاص به شبکه‌های بیزی می‌پردازد. شما یاد می‌گیرید چگونه شبکه‌های بیزی را بسازید، آنها را برای داده‌های مختلف آموزش دهید و از آن‌ها برای استنتاج استفاده کنید. موضوعاتی مانند قوانین زنجیره‌ای، فاکتوربندی احتمالات و مفهوم D-separation پوشش داده می‌شوند.

بخش 3: استنتاج در مدل‌های گرافیکی

در این بخش، شما روش‌های مختلف استنتاج در مدل‌های گرافیکی را یاد می‌گیرید. این شامل روش‌های استنتاج دقیق مانند حذف متغیرها و روش‌های استنتاج تقریبی مانند استنتاج تکراری و مونت‌کارلو می‌شود. همچنین به بررسی پیچیدگی محاسباتی و انتخاب مناسب‌ترین روش استنتاج پرداخته می‌شود.

بخش 4: یادگیری در مدل‌های گرافیکی

این بخش به یادگیری پارامترها و ساختار مدل‌های گرافیکی می‌پردازد. شما یاد می‌گیرید چگونه پارامترهای شبکه‌های بیزی را از داده‌ها یاد بگیرید و همچنین روش‌های یادگیری ساختار مدل‌های گرافیکی را بررسی می‌کنید. موضوعاتی مانند یادگیری حداکثر احتمال و روش‌های مبتنی بر امتیاز (score-based) پوشش داده می‌شوند.

بخش 5: مدل‌های مارکوف مخفی (HMMs) و دیگر مدل‌ها

در این بخش، شما با مدل‌های مارکوف مخفی (HMMs) و کاربردهای آنها آشنا می‌شوید. این مدل‌ها در زمینه‌های مختلفی مانند پردازش زبان طبیعی و بیوانفورماتیک استفاده می‌شوند. همچنین به بررسی مدل‌های گرافیکی دیگر مانند شبکه‌های شرطی گاوسی (Gaussian Conditional Random Fields) پرداخته می‌شود.