دوره پیاده‌سازی MCMC در پایتون برای یادگیری عمیق همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی MCMC در پایتون برای یادگیری عمیق

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

موضوع میانی: یادگیری عمیق بیزی (Bayesian Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های نمونه‌برداری مونت کارلو
• 2. مفاهیم اساسی زنجیره‌های مارکوف
• 3. الگوریتم Metropolis-Hastings: تئوری و کاربرد
• 4. الگوریتم Gibbs Sampling: جزئیات پیاده‌سازی
• 5. همگرایی زنجیره‌های مارکوف: ارزیابی و تشخیص
• 6. فضای حالت و توابع توزیع احتمال
• 7. تابع چگالی احتمال و نمونه‌برداری از آن
• 8. پیاده‌سازی MCMC در پایتون: معرفی کتابخانه‌ها
• 9. آشنایی با کتابخانه PyMC3
• 10. ساخت مدل‌های احتمالی در PyMC3
• 11. تعریف توزیع‌های پیشین در PyMC3
• 12. تعریف توزیع‌های پسین در PyMC3
• 13. نمونه‌برداری از توزیع پسین با استفاده از PyMC3
• 14. تشخیص و رفع مشکلات همگرایی در PyMC3
• 15. برآورد پارامترهای مدل با استفاده از MCMC
• 16. اعتبارسنجی مدل‌های MCMC
• 17. مقایسه روش‌های MCMC مختلف
• 18. کاربرد MCMC در مسائل بهینه‌سازی
• 19. MCMC و مسائل آمار بیزی
• 20. استفاده از MCMC در مدل‌سازی سلسله مراتبی
• 21. MCMC برای مدل‌سازی داده‌های گمشده
• 22. MCMC در یادگیری ماشین: مقدمه‌ای
• 23. شبکه‌های عصبی و روش‌های MCMC
• 24. MCMC برای آموزش مدل‌های Bayesian Neural Networks
• 25. MCMC و مسائل انتخاب ویژگی
• 26. MCMC در مسائل خوشه‌بندی
• 27. MCMC برای کاهش ابعاد داده‌ها
• 28. MCMC و مدل‌سازی موضوعی (Topic Modeling)
• 29. MCMC در مسائل پیش‌بینی سری‌های زمانی
• 30. MCMC و تخمین چگالی احتمال
• 31. MCMC و مسائل طبقه‌بندی
• 32. MCMC برای مسائل رگرسیون
• 33. MCMC و مدل‌سازی گرافیکی
• 34. MCMC و مدل‌سازی پنهان مارکوف
• 35. MCMC و مسائل پردازش تصویر
• 36. MCMC و مسائل پردازش زبان طبیعی
• 37. MCMC و مسائل مالی
• 38. MCMC و ارزیابی ریسک
• 39. MCMC و کنترل کیفیت
• 40. MCMC و مسائل مهندسی
• 41. MCMC و مسائل زیست‌شناسی
• 42. MCMC و مسائل فیزیک
• 43. MCMC و مسائل علوم اجتماعی
• 44. بهینه‌سازی کد MCMC در پایتون
• 45. مقایسه عملکرد MCMC با سایر روش‌ها