فلش‌کارت‌های آموزشی مقدمه‌ای بر MCMC در TensorFlow Probability برای پژوهشگران

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر MCMC در TensorFlow Probability برای پژوهشگران

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

موضوع میانی: TensorFlow Probability

📋 سرفصل‌های دوره

• 1. مبانی احتمالات در پژوهش‌های علمی
• 2. مبانی آمار استنباطی
• 3. مقدمه‌ای بر یادگیری ماشین
• 4. مفاهیم پایه در TensorFlow
• 5. آشنایی با TensorFlow Probability
• 6. نصب و راه‌اندازی TensorFlow Probability
• 7. اولین گام‌ها با توزیع‌های احتمالی
• 8. توزیع‌های گسسته در TensorFlow Probability
• 9. توزیع‌های پیوسته در TensorFlow Probability
• 10. ساخت توزیع‌های سفارشی
• 11. عملیات بر روی توزیع‌ها
• 12. تبدیلات توزیع‌ها
• 13. بسته‌بندی توزیع‌ها
• 14. مقدمه‌ای بر نمونه‌برداری از توزیع‌ها
• 15. روش‌های مونت کارلو
• 16. مفهوم زنجیره‌های مارکوف
• 17. مقدمه‌ای بر زنجیره‌های مارکوف در TensorFlow Probability
• 18. ساخت مدل‌های زنجیره مارکوف
• 19. کاربرد زنجیره‌های مارکوف در مدل‌سازی
• 20. مفاهیم پایه در MCMC
• 21. الگوریتم‌های MCMC
• 22. Metropolis-Hastings
• 23. Gibbs Sampling
• 24. NUTS (No-U-Turn Sampler)
• 25. HMC (Hamiltonian Monte Carlo)
• 26. پیاده‌سازی Metropolis-Hastings در TensorFlow Probability
• 27. پیاده‌سازی Gibbs Sampling در TensorFlow Probability
• 28. پیاده‌سازی NUTS در TensorFlow Probability
• 29. پیاده‌سازی HMC در TensorFlow Probability
• 30. ارزیابی همگرایی در MCMC
• 31. معیارهای تشخیص همگرایی
• 32. تشخیص واگرایی در MCMC
• 33. تصحیح همگرایی
• 34. تکنیک‌های بهبود MCMC
• 35. کاهش همبستگی نمونه‌ها
• 36. افزایش کارایی نمونه‌برداری
• 37. مدل‌سازی خطی با MCMC
• 38. رگرسیون بیزی خطی
• 39. کاربرد MCMC در رگرسیون بیزی
• 40. مدل‌سازی طبقه‌بندی با MCMC
• 41. طبقه‌بندی بیزی
• 42. کاربرد MCMC در طبقه‌بندی بیزی
• 43. مدل‌های سری زمانی با MCMC
• 44. مدل‌های ARIMA بیزی
• 45. کاربرد MCMC در مدل‌های سری زمانی
• 46. مدل‌سازی حالت پنهان با MCMC
• 47. مدل‌های حالت پنهان بیزی
• 48. کاربرد MCMC در مدل‌های حالت پنهان
• 49. مدل‌سازی شبکه‌های عصبی با MCMC
• 50. شبکه‌های عصبی بیزی
• 51. کاربرد MCMC در شبکه‌های عصبی
• 52. مدل‌سازی استنتاج در علوم زیستی
• 53. کاربرد MCMC در مدل‌سازی ژنتیکی
• 54. کاربرد MCMC در مدل‌سازی اپیدمیولوژیکی
• 55. مدل‌سازی استنتاج در علوم اقتصادی
• 56. کاربرد MCMC در مدل‌سازی مالی
• 57. کاربرد MCMC در مدل‌سازی اقتصادسنجی
• 58. مدل‌سازی استنتاج در علوم اجتماعی
• 59. کاربرد MCMC در مدل‌سازی جامعه‌شناسی
• 60. کاربرد MCMC در مدل‌سازی علوم سیاسی
• 61. کاربرد MCMC در پردازش زبان طبیعی
• 62. کاربرد MCMC در بینایی ماشین
• 63. کاربرد MCMC در سیستم‌های توصیه‌گر
• 64. بهینه‌سازی بیزی
• 65. توابع هزینه و سود در بهینه‌سازی بیزی
• 66. بهینه‌سازی توابع پیچیده با MCMC
• 67. تکنیک‌های پیشرفته MCMC
• 68. MCMC با مقیاس‌بندی
• 69. MCMC با موازی‌سازی
• 70. MCMC در محیط‌های توزیع‌شده
• 71. کاربرد MCMC در محاسبات علمی
• 72. مقدمه‌ای بر شبیه‌سازی‌های عددی
• 73. کاربرد MCMC در حل معادلات دیفرانسیل
• 74. کاربرد MCMC در فیزیک محاسباتی
• 75. کاربرد MCMC در شیمی محاسباتی
• 76. اصول طراحی مدل‌های احتمالی
• 77. ارزیابی مدل‌های احتمالی
• 78. انتخاب مدل مناسب
• 79. مقدمه‌ای بر یادگیری تقویتی بیزی
• 80. کاربرد MCMC در یادگیری تقویتی
• 81. مباحث پیشرفته در TensorFlow Probability
• 82. استفاده از ابزارهای ویژوال‌سازی در MCMC
• 83. گزارش‌دهی نتایج MCMC
• 84. کدنویسی تمیز و قابل نگهداری در MCMC
• 85. حل مسائل پژوهشی با MCMC
• 86. مقدمه‌ای بر داده‌های بزرگ و MCMC
• 87. چالش‌های MCMC در داده‌های بزرگ
• 88. راهکارهای MCMC برای داده‌های بزرگ
• 89. مقدمه‌ای بر یادگیری عمیق و MCMC
• 90. ترکیب MCMC و یادگیری عمیق
• 91. کاربرد MCMC در تفسیر مدل‌های یادگیری عمیق
• 92. مقدمه‌ای بر شبکه‌های باور بیزی
• 93. کاربرد MCMC در استنتاج شبکه‌های باور
• 94. مباحث اخلاقی در استفاده از MCMC
• 95. آینده پژوهش MCMC