دوره جامع یادگیری ماشین در تحلیل داده‌های علمی و مدل‌سازی شبیه‌سازی‌محور همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری ماشین در تحلیل داده‌های علمی و مدل‌سازی شبیه‌سازی‌محور

موضوع کلی: هوش مصنوعی و یادگیری ماشین (Artificial Intelligence & Machine Learning)

موضوع میانی: استنتاج آماری مبتنی بر شبیه‌سازی (Simulation-Based Inference)

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین در علوم تجربی و مدل‌سازی
• 2. آشنایی با مفاهیم استنتاج آماری و جایگاه شبیه‌سازی
• 3. چالش‌های معکوس‌سازی مدل‌های شبیه‌سازی در فیزیک و علوم پایه
• 4. مروری بر روش‌های سنتی استنتاج آماری و محدودیت‌های محاسباتی
• 5. مبانی احتمالات و استنتاج بیزی در مدل‌سازی علمی
• 6. مقدمه‌ای بر استنتاج مبتنی بر شبیه‌سازی (SBI)
• 7. بررسی مدل‌های مولد (Generative Models) در تحلیل داده
• 8. ساختار شبکه‌های عصبی عمیق در تقریب توابع احتمال
• 9. معرفی یادگیری نظارت‌شده در چارچوب استنتاج پارامتریک
• 10. توزیع‌های پسین و روش‌های تخمین چگالی احتمال
• 11. الگوریتم‌های پذیرش-رد (Rejection Sampling) و بهینه‌سازی آن‌ها
• 12. روش‌های زنجیره مارکوف مونت‌کارلو (MCMC) در شبیه‌سازی
• 13. محدودیت‌های روش‌های کلاسیک در مواجهه با ابعاد بالا
• 14. مقدمه‌ای بر استنتاج عصبی مبتنی بر شبیه‌سازی (Neural SBI)
• 15. معماری شبکه‌های عصبی برای استنتاج پسین (Posterior Estimation)
• 16. توابع چگالی احتمال شرطی و شبکه‌های عصبی جریان‌ساز (Normalizing Flows)
• 17. یادگیری بازنمایی ویژگی‌ها از داده‌های پیچیده شبیه‌سازی‌شده
• 18. تکنیک‌های افزایش دقت در تخمین چگالی‌های غیرپارامتریک
• 19. استفاده از شبکه‌های عصبی کانولوشنی برای داده‌های تصویری علمی
• 20. کاربرد شبکه‌های عصبی بازگشتی در سری‌های زمانی شبیه‌سازی‌شده
• 21. استنتاج مبتنی بر نسبت درست‌نمایی (Likelihood-Ratio Estimation)
• 22. آموزش شبکه‌های طبقه‌بندی‌کننده برای تخمین نسبت‌های احتمال
• 23. روش‌های کاهش واریانس در تخمین‌های استنتاجی
• 24. مدیریت داده‌های آموزشی و تولید نمونه‌های شبیه‌سازی‌شده
• 25. ارزیابی کیفیت مدل‌های عصبی در استنتاج آماری
• 26. تکنیک‌های اعتبارسنجی مدل‌های پسین (Posterior Predictive Checks)
• 27. تحلیل حساسیت پارامترها در مدل‌های شبیه‌سازی‌محور
• 28. مقایسه عملکرد روش‌های عصبی با روش‌های آماری کلاسیک
• 29. بهینه‌سازی توابع هدف در آموزش شبکه‌های عصبی استنتاجی
• 30. مدیریت عدم قطعیت در مدل‌های یادگیری ماشین
• 31. کاربردهای استنتاج عصبی در فیزیک ذرات بنیادی
• 32. کاربردهای مدل‌سازی شبیه‌سازی‌محور در علوم جوی و محیط‌زیست
• 33. شبیه‌سازی و تحلیل داده‌های نجومی با رویکرد یادگیری عمیق
• 34. استفاده از مدل‌های مولد در تحلیل داده‌های پزشکی قانونی و بیولوژیک
• 35. چالش‌های محاسباتی در مقیاس‌پذیری مدل‌های بزرگ
• 36. استفاده از سخت‌افزارهای پردازش موازی در آموزش مدل‌ها
• 37. پیاده‌سازی مدل‌های SBI با استفاده از کتابخانه‌های یادگیری عمیق
• 38. روش‌های ترکیب دانش فیزیکی با مدل‌های یادگیری ماشین
• 39. استراتژی‌های انتخاب ویژگی‌های کلیدی در داده‌های شبیه‌سازی‌شده
• 40. تکنیک‌های مقابله با بیش‌برازش در مدل‌های استنتاجی
• 41. تفسیرپذیری در مدل‌های یادگیری ماشین علمی
• 42. اصول اخلاقی و انضباط علمی در به‌کارگیری الگوریتم‌های هوش مصنوعی
• 43. کاربست مدل‌های استنتاجی در پروژه‌های تحقیقاتی بومی
• 44. بررسی آینده پژوهی و توسعه روش‌های هوش مصنوعی در تحلیل داده‌های علمی
• 45. آماده‌سازی گزارش‌های فنی و ارزیابی نتایج مدل‌سازی
• 46. نکات کاربردی در استقرار مدل‌های هوش مصنوعی در محیط‌های تحقیقاتی
• 47. مطالعه موردی: حل مسائل معکوس پیچیده با استفاده از شبکه‌های عصبی
• 48. جمع‌بندی و مسیرهای پیش رو در پژوهش‌های یادگیری ماشین و شبیه‌سازی