دوره مدیریت متغیرهای پنهان با MCMC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت متغیرهای پنهان با MCMC

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: مفاهیم پیشرفته در MCMC

📋 سرفصل‌های دوره

• 1. مقدمه ای بر متغیرهای پنهان و مدل سازی آن
• 2. مفاهیم پایه زنجیره های مارکوف
• 3. اصول الگوریتم مونت کارلو
• 4. کاربرد MCMC در آمار استنباطی
• 5. انواع الگوریتم های MCMC
• 6. الگوریتم Metropolis-Hastings
• 7. پیاده سازی Metropolis-Hastings
• 8. الگوریتم نمونه گیری گیبس
• 9. پیاده سازی نمونه گیری گیبس
• 10. تشخیص همگرایی در MCMC
• 11. معیارهای بصری همگرایی
• 12. آماره های همگرایی
• 13. روش های اصلاح همگرایی
• 14. ارزیابی کارایی الگوریتم های MCMC
• 15. شاخص کاهش پتانسیل (Gelman-Rubin)
• 16. تحلیل اتوکواریانس
• 17. بهبود نمونه گیری با تنظیم پارامترها
• 18. نمونه گیری از توزیع های پیچیده
• 19. مدل های خطی تعمیم یافته با MCMC
• 20. مدل های سلسله مراتبی با MCMC
• 21. کاربرد MCMC در اقتصاد سنجی
• 22. مدل های سری زمانی با MCMC
• 23. مدل های فضایی با MCMC
• 24. مدل های گرافیکی با MCMC
• 25. مدل های بیزی برای داده های گسسته
• 26. مدل های بیزی برای داده های پیوسته
• 27. مدل های لجستیک بیزی با MCMC
• 28. مدل های پروبیت بیزی با MCMC
• 29. مدل های رگرسیون بیزی با MCMC
• 30. مدل های مخلوط بیزی با MCMC
• 31. مدل های مارکوف پنهان (HMM)
• 32. کاربرد HMM در زیست شناسی
• 33. کاربرد HMM در پردازش گفتار
• 34. مدل های استیت-اسپیس با MCMC
• 35. تحلیل سری زمانی با مدل های استیت-اسپیس
• 36. فیلتر کالمن در مدل های استیت-اسپیس
• 37. کاربرد MCMC در یادگیری ماشین
• 38. شبکه های بیزی با MCMC
• 39. مدل های بیزی برای دسته بندی
• 40. مدل های بیزی برای رگرسیون
• 41. مدل های بیزی برای خوشه بندی
• 42. مدل های بیزی برای کاهش ابعاد
• 43. شبکه های عصبی بیزی با MCMC
• 44. تکنیک های نمونه گیری پیشرفته
• 45. نمونه گیری اهمیت
• 46. نمونه گیری اهمیت تکرار شونده
• 47. نمونه گیری شبه تصادفی
• 48. نمونه گیری از طریق انحراف
• 49. پیاده سازی الگوریتم های پیشرفته
• 50. ارزیابی مدل های بیزی
• 51. اعتبارسنجی متقابل در مدل های بیزی
• 52. اعتبارسنجی متقابل K-Fold
• 53. اعتبارسنجی متقابل Leave-One-Out
• 54. اعتبارسنجی متقابل مبتنی بر شبیه سازی
• 55. انتخاب مدل در رویکرد بیزی
• 56. معیار اطلاعات آکائیکه بیزی
• 57. معیار اطلاعات بیزی (BIC)
• 58. مقایسه مدل ها با استفاده از توزیع پسین
• 59. تفسیر نتایج مدل های بیزی
• 60. توزیع های پیشین مناسب
• 61. انتخاب توزیع پیشین غیر معلوماتی
• 62. انتخاب توزیع پیشین معلوماتی
• 63. تاثیر انتخاب پیشین بر نتایج
• 64. ارزیابی حساسیت به پیشین
• 65. مدل سازی عدم قطعیت با MCMC
• 66. ارزیابی عدم قطعیت پارامترها
• 67. ارزیابی عدم قطعیت پیش بینی
• 68. کاربرد MCMC در علوم طبیعی
• 69. کاربرد MCMC در علوم اجتماعی
• 70. کاربرد MCMC در مهندسی
• 71. کاربرد MCMC در مالی
• 72. کاربرد MCMC در زیست پزشکی
• 73. روش های نوین در MCMC
• 74. MCMC موازی
• 75. MCMC توزیع شده
• 76. MCMC با شتاب دهنده های سخت افزاری
• 77. MCMC در یادگیری عمیق
• 78. پیاده سازی MCMC با کتابخانه های پایتون
• 79. کتابخانه PyMC3
• 80. کتابخانه Stan
• 81. کتابخانه emcee
• 82. کتابخانه ArviZ
• 83. کاربرد MCMC در تحلیل داده های بزرگ
• 84. چالش های MCMC در مقیاس بزرگ
• 85. راهکارهای MCMC برای داده های بزرگ
• 86. مباحث پیشرفته در مدل های پنهان
• 87. مدل های پنهان غیر خطی
• 88. مدل های پنهان ناپارامتری
• 89. مدل های پنهان برای داده های زمانی-مکانی
• 90. مدل های پنهان برای داده های تصویری
• 91. کاربرد MCMC در پردازش تصویر بیزی
• 92. مدل های بیزی برای بخش بندی تصویر
• 93. مدل های بیزی برای تشخیص اشیاء
• 94. مدل های بیزی برای بازسازی تصویر
• 95. مباحث اخلاقی در تحلیل داده های آماری
• 96. حفظ حریم خصوصی در داده های آماری
• 97. شفافیت در مدل سازی آماری
• 98. مسئولیت پذیری در استفاده از MCMC
• 99. محدودیت های MCMC و رویکردهای جایگزین
• 100. روش های جایگزین برای مدل سازی متغیرهای پنهان