دوره نمونه‌گیری مارکوف مونت‌کارلو در PyMC برای یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره نمونه‌گیری مارکوف مونت‌کارلو در PyMC برای یادگیری ماشین

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

موضوع میانی: کاربرد PyMC در یادگیری ماشین بیزی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های نمونه‌برداری
• 2. آمار بیزی و مبانی آن
• 3. مدل‌سازی احتمالی با PyMC
• 4. نصب و راه‌اندازی PyMC
• 5. ساخت مدل‌های ساده بیزی
• 6. توزیع‌های احتمال پیشین
• 7. تابع درست‌نمایی
• 8. توزیع‌های احتمال پسین
• 9. نمونه‌برداری زنجیره مارکوف مونت‌کارلو (MCMC)
• 10. الگوریتم Metropolis-Hastings
• 11. الگوریتم Gibbs Sampling
• 12. ارزیابی همگرایی MCMC
• 13. تشخیص مشکلات همگرایی
• 14. پیش‌بینی با مدل‌های بیزی
• 15. انتخاب مدل و مقایسه مدل‌ها
• 16. مدل‌سازی رگرسیون با PyMC
• 17. رگرسیون خطی بیزی
• 18. رگرسیون لجستیک بیزی
• 19. مدل‌سازی سری‌های زمانی با PyMC
• 20. مدل‌های AR و MA
• 21. مدل‌های ARIMA
• 22. مدل‌سازی احتمال ترکیبی
• 23. مدل‌های سلسله مراتبی
• 24. مدل‌های پنهان مارکوف
• 25. مدل‌سازی داده‌های گمشده
• 26. تکنیک‌های ایمپیوتیشن
• 27. مدل‌سازی داده‌های طبقه‌بندی شده
• 28. مدل‌سازی داده‌های عددی
• 29. مدل‌سازی داده‌های مختلط
• 30. بهینه‌سازی مدل با PyMC
• 31. روش‌های گرادیان
• 32. روش‌های تکاملی
• 33. استفاده از توابع باینری در PyMC
• 34. مدل‌سازی گرافیکی
• 35. شبکه‌های بیزی
• 36. مدل‌های Gaussian Process
• 37. کاربرد MCMC در یادگیری ماشین
• 38. طبقه‌بندی بیزی
• 39. خوشه‌بندی بیزی
• 40. کاهش ابعاد با MCMC
• 41. استفاده از PyMC برای یادگیری تقویتی
• 42. ارزیابی عملکرد مدل‌های MCMC
• 43. اعتبارسنجی متقابل
• 44. تحلیل حساسیت
• 45. مقدمه‌ای بر زبان برنامه‌نویسی پایتون برای PyMC
• 46. آشنایی با کتابخانه‌های NumPy و SciPy
• 47. آشنایی با کتابخانه Pandas
• 48. تصویرسازی داده‌ها با Matplotlib و Seaborn
• 49. مدل‌سازی داده‌های مکانی
• 50. مدل‌سازی داده‌های زمانی-مکانی
• 51. کاربرد PyMC در علوم زیستی
• 52. کاربرد PyMC در علوم مالی
• 53. کاربرد PyMC در مهندسی
• 54. مدل‌سازی پارامتریک
• 55. مدل‌سازی غیرپارامتریک
• 56. روش‌های تقریبی بیزی
• 57. روش‌های تغییر شکل متغیر
• 58. روش‌های اهمیت نمونه‌برداری
• 59. تکنیک‌های موازی‌سازی MCMC
• 60. بهبود کارایی MCMC
• 61. استفاده از GPU برای MCMC
• 62. خطاهای رایج در مدل‌سازی بیزی
• 63. اشتباهات در انتخاب توزیع پیشین
• 64. اشتباهات در تفسیر نتایج MCMC
• 65. مبانی ریاضی MCMC
• 66. تئوری زنجیره‌های مارکوف
• 67. توزیع‌های احتمال و امید ریاضی
• 68. آمار و احتمال کاربردی
• 69. مقایسه PyMC با سایر ابزارهای بیزی
• 70. Stan
• 71. JAGS
• 72. BUGS
• 73. روش‌های تشخیص و رفع خطاهای برنامه‌نویسی در PyMC
• 74. آشنایی با ابزارهای دیباگینگ پایتون
• 75. منابع تکمیلی برای یادگیری PyMC و MCMC