دوره یادگیری مدل‌های توزیع احتمال با استفاده از شبیه‌سازهای فیزیکی متمایزپذیر (Differentiable Physics) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری مدل‌های توزیع احتمال با استفاده از شبیه‌سازهای فیزیکی متمایزپذیر (Differentiable Physics)

موضوع کلی: هوش مصنوعی و یادگیری ماشین پیشرفته

موضوع میانی: مدل‌های مولد (Generative Models) و شبیه‌سازی‌های فیزیکی

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و نقش مدل‌های مولد در علوم محاسباتی
• 2. مفاهیم پایه در توزیع‌های احتمال و تخمین چگالی
• 3. آشنایی با مدل‌های مبتنی بر امتیاز و تابع امتیاز
• 4. معماری شبکه‌های عصبی برای یادگیری تابع امتیاز
• 5. مفاهیم پایه در شبیه‌سازی‌های فیزیکی و سیستم‌های دینامیکی
• 6. معرفی برنامه‌نویسی متمایزپذیر و مشتق‌گیری خودکار
• 7. تلفیق مدل‌های مولد با قوانین فیزیک کلاسیک
• 8. مدل‌سازی سیستم‌های فیزیکی با استفاده از معادلات دیفرانسیل
• 9. روش‌های عددی برای حل معادلات دیفرانسیل در محیط‌های یادگیری عمیق
• 10. پیاده‌سازی شبیه‌سازهای متمایزپذیر در محیط‌های محاسباتی
• 11. تخمین توزیع داده‌ها با استفاده از تطبیق امتیاز
• 12. نقش نویز و اغتشاش در آموزش مدل‌های مبتنی بر امتیاز
• 13. الگوریتم‌های بهینه‌سازی برای مدل‌های مولد فیزیک‌محور
• 14. تکنیک‌های مشتق‌گیری از شبیه‌سازهای غیرخطی
• 15. مدل‌سازی فرآیندهای تصادفی در سیستم‌های فیزیکی
• 16. تطبیق امتیاز با استفاده از مدل‌های انتشار
• 17. کاربرد گرادیان‌های فیزیکی در بهبود دقت مدل‌های مولد
• 18. معماری شبکه‌های عصبی گرافی برای مدل‌سازی سیستم‌های فیزیکی
• 19. تخمین توزیع‌های پیچیده در فضای حالت‌های فیزیکی
• 20. روش‌های کاهش واریانس در تخمین تابع امتیاز
• 21. پیاده‌سازی توابع هدف فیزیکی در مدل‌های مولد
• 22. اعتبارسنجی مدل‌های مولد با استفاده از داده‌های شبیه‌سازی شده
• 23. تکنیک‌های یادگیری معکوس برای بازسازی پارامترهای فیزیکی
• 24. بررسی پایداری و همگرایی در یادگیری مدل‌های مبتنی بر امتیاز
• 25. کاربرد مدل‌های مولد در تخمین عدم قطعیت سیستم‌های فیزیکی
• 26. مدیریت محدودیت‌های فیزیکی در آموزش شبکه‌های عصبی
• 27. تلفیق دانش دامنه (Domain Knowledge) در مدل‌های یادگیری ماشین
• 28. روش‌های نمونه‌برداری از توزیع‌های یادگرفته شده
• 29. بهینه‌سازی مدل‌های مولد برای شبیه‌سازی‌های مقیاس‌بزرگ
• 30. بررسی چالش‌های محاسباتی در شبیه‌سازهای متمایزپذیر
• 31. تکنیک‌های موازی‌سازی در آموزش مدل‌های مبتنی بر فیزیک
• 32. کاربرد مدل‌های مولد در طراحی سیستم‌های مهندسی
• 33. ارزیابی عملکرد مدل‌ها در محیط‌های نویزی و آشفته
• 34. استفاده از مدل‌های مولد برای پیش‌بینی رفتارهای سیستم‌های دینامیکی
• 35. تکنیک‌های تنظیم (Regularization) مبتنی بر فیزیک در یادگیری ماشین
• 36. پیاده‌سازی فریم‌ورک‌های یادگیری عمیق برای شبیه‌سازی‌های مکانیکی
• 37. ارتقای دقت مدل‌های مولد از طریق ترکیب با تحلیل‌های عددی
• 38. روش‌های تحلیل حساسیت در مدل‌های مبتنی بر امتیاز
• 39. کاربردهای پیشرفته مدل‌های مولد در علوم محاسباتی
• 40. چشم‌انداز آینده مدل‌های مولد فیزیک‌محور در صنعت و پژوهش