کتاب تکنیک‌های کارآمد در استنتاج تقریبی بیزی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

249,950 تومان
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های کارآمد در استنتاج تقریبی بیزی

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

موضوع میانی: استنتاج تقریبی بیزی (Approximate Bayesian Inference)

📋 سرفصل‌های دوره

  • 1. مفهوم استنتاج بیزی و چالش‌های محاسباتی
  • 2. مروری بر قضیهٔ بیز و کاربردها در یادگیری ماشین
  • 3. توزیع‌های پیش‌زمینه و پس‌زمینه در استنتاج بیزی
  • 4. تعریف توزیع پوستا و وابستگی به داده
  • 5. مشکلات عددی در محاسبهٔ انتگرال‌های بیزی
  • 6. مفهوم نمونه‌گیری مونت‌کارلو و خطای آن
  • 7. زنجیره‌های مارکوف و خواص آن‌ها
  • 8. گام‌به‌گام الگوریتم متپلوکس (Metropolis)
  • 9. الگوریتم متپلوکس-هاکینز (MH) و انتخاب پیشنهاددهنده
  • 10. نمونه‌گیری گیبس (Gibbs Sampling) و شرایط همگرا
  • 11. مقدار پیش‌پذیرش در MH و بهینه‌سازی آن
  • 12. برآورد خودخطی (Auto-correlation) و گسسته‌سازی
  • 13. زمان ترکیب (Mixing Time) و عوامل مؤثر
  • 14. معیارهای همگرا (Convergence Diagnostics)
  • 15. تخمین طولِِ صحیح زنجیره (Effective Sample Size)
  • 16. روش‌های افزایش کارآمدی نمونه‌گیری
  • 17. استنتاج تقریبی با توزیع‌های مرجع (Variational Inference)
  • 18. تقریب لاورا (Laplace Approximation)
  • 19. روش‌های فیلتر ذذره‌ای (Particle Filters)
  • 20. استنتاج تقریبی سریع (Fast Approximate Inference)
  • 21. کاربردهای استنتاج بیزی در شبکه‌های عصبی
  • 22. MCMC در یادگیری عمیق بیزی
  • 23. چالش‌های مقیاس‌پذیری در استنتاج بیزی
  • 24. ارزیابی کیفیت تخمین‌های بیزی
تگ‌ها: Approximate Bayesian Computation Bayesian Deep Learning Bayesian Inference Convergence Diagnostics Gibbs Sampling Laplace Approximation Machine Learning MCMC Metropolis-Hastings Monte Carlo methods Particle Filters Probabilistic Modeling Probabilistic Programming Statistical Inference Variational Inference

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.