دوره یادگیری عمیق بیزی: از نظریه تا پیاده‌سازی با MCMC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق بیزی: از نظریه تا پیاده‌سازی با MCMC

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

موضوع میانی: یادگیری عمیق بیزی (Bayesian Deep Learning)

📋 سرفصل‌های دوره

• 1. مبانی احتمال و آمار در یادگیری ماشین
• 2. قانون بیز و قضیه بیز
• 3. توزیع‌های احتمالی رایج (گوسی، برنولی، پواسون)
• 4. معرفی مدل‌های بیزی
• 5. مفهوم باور پیشین و باور پسین
• 6. استنتاج بیزی
• 7. مدل‌های گرافیکی احتمالی
• 8. شبکه‌های بیزی
• 9. نمایش وابستگی‌های شرطی
• 10. یادگیری ساختار شبکه‌های بیزی
• 11. یادگیری پارامترهای شبکه‌های بیزی
• 12. استنتاج در شبکه‌های بیزی (exact inference)
• 13. استنتاج تقریبی (approximate inference)
• 14. روش‌های مونت کارلو سری مارکوف (MCMC)
• 15. مفهوم زنجیره مارکوف
• 16. فرآیندهای مارکوف
• 17. قضیه ارگودیک
• 18. مفهوم تعادل و حالت پایدار
• 19. الگوریتم گیبز سمپلینگ
• 20. نحوه پیاده‌سازی گیبز سمپلینگ
• 21. الگوریتم متروپلیس-هستینگز
• 22. نحوه پیاده‌سازی متروپلیس-هستینگز
• 23. سایر الگوریتم‌های MCMC (Hamiltonian Monte Carlo)
• 24. مقدمه‌ای بر یادگیری عمیق
• 25. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 26. توابع فعال‌سازی (ReLU, Sigmoid, Tanh)
• 27. پس‌انتشار خطا (Backpropagation)
• 28. بهینه‌سازی در شبکه‌های عصبی (Gradient Descent)
• 29. انواع بهینه‌سازها (Adam, SGD, RMSprop)
• 30. شبکه‌های عصبی کانولوشنال (CNN)
• 31. لایه‌های کانولوشن، پولینگ و دسته‌بندی
• 32. کاربرد CNN در پردازش تصویر
• 33. شبکه‌های عصبی بازگشتی (RNN)
• 34. حافظه طولانی کوتاه مدت (LSTM)
• 35. واحد بازگشتی دروازه‌دار (GRU)
• 36. کاربرد RNN در پردازش زبان طبیعی
• 37. مبانی یادگیری عمیق بیزی
• 38. مزایای رویکرد بیزی در یادگیری عمیق
• 39. مدل‌های بیزی عمیق (Deep Bayesian Models)
• 40. شبکه‌های عصبی بیزی (Bayesian Neural Networks)
• 41. پخش‌کننده بیزی (Bayesian Inference for Neural Networks)
• 42. تقریب باور پسین در شبکه‌های عصبی بیزی
• 43. کاربرد MCMC در آموزش شبکه‌های عصبی بیزی
• 44. پیاده‌سازی شبکه‌های عصبی بیزی با MCMC
• 45. مدل‌های مولد بیزی (Bayesian Generative Models)
• 46. شبکه‌های مولد تخاصمی بیزی (Bayesian GANs)
• 47. خودرمزگذارگان بیزی (Bayesian Autoencoders)
• 48. یادگیری تقویتی بیزی (Bayesian Reinforcement Learning)
• 49. کاربرد MCMC در یادگیری تقویتی
• 50. مدل‌های بیزی برای سری‌های زمانی
• 51. مدل‌های بیزی برای داده‌های ساختاریافته
• 52. مدل‌های بیزی برای پردازش زبان طبیعی
• 53. مدل‌های بیزی برای بینایی ماشین
• 54. کاربرد MCMC در مدل‌های بیزی برای تصویر
• 55. کاربرد MCMC در مدل‌های بیزی برای متن
• 56. ارزیابی مدل‌های بیزی عمیق
• 57. معیارهای ارزیابی (مانند توزیع پسین)
• 58. مقایسه با مدل‌های غیربیزی
• 59. پیاده‌سازی با کتابخانه‌های پایتون (PyMC3, TensorFlow Probability)
• 60. آموزش شبکه‌های عصبی بیزی با PyMC3
• 61. استفاده از TensorFlow Probability برای مدل‌های بیزی
• 62. ملاحظات محاسباتی در MCMC
• 63. نکات عملی برای انتخاب الگوریتم MCMC
• 64. تکنیک‌های بهبود همگرایی MCMC
• 65. تشخیص عدم همگرایی MCMC
• 66. کاربرد MCMC در مدل‌های پنهان مارکوف بیزی
• 67. مدل‌های بیزی سلسله مراتبی
• 68. استنتاج در مدل‌های بیزی سلسله مراتبی
• 69. پیاده‌سازی مدل‌های بیزی سلسله مراتبی با MCMC
• 70. مقدمه‌ای بر نظریه اطلاعات
• 71. آنتروپی و اطلاعات متقابل
• 72. کاربرد نظریه اطلاعات در مدل‌های بیزی
• 73. مدل‌های بیزی برای تشخیص ناهنجاری
• 74. مدل‌های بیزی برای پیش‌بینی
• 75. مدل‌های بیزی برای خوشه‌بندی
• 76. کاربرد MCMC در خوشه‌بندی بیزی
• 77. مدل‌های بیزی برای طبقه‌بندی
• 78. کاربرد MCMC در طبقه‌بندی بیزی
• 79. مبانی یادگیری فعال بیزی (Bayesian Active Learning)
• 80. کاربرد MCMC در یادگیری فعال
• 81. بهینه‌سازی مدل‌های بیزی با MCMC
• 82. تنظیم ابرپارامترها در مدل‌های بیزی
• 83. اعتبارسنجی متقابل در مدل‌های بیزی
• 84. مدل‌های بیزی برای تفسیرپذیری (Interpretability)
• 85. کاربرد MCMC برای تفسیر مدل‌های یادگیری عمیق
• 86. ملاحظات اخلاقی در مدل‌های بیزی عمیق
• 87. امنیت مدل‌های بیزی عمیق
• 88. مقدمه‌ای بر یادگیری عمیق قابل اعتماد
• 89. پیاده‌سازی پیشرفته MCMC
• 90. کاربرد MCMC در مدل‌های آماری پیچیده
• 91. جمع‌بندی و مسیرهای آینده در یادگیری عمیق بیزی