فلش‌کارت‌های آموزشی توزیع‌های پیشنهادی متناسب با هندسه فضا: نوآوری در MCMC

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره توزیع‌های پیشنهادی متناسب با هندسه فضا: نوآوری در MCMC

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

موضوع میانی: انتخاب گام (Proposal Distribution)

📋 سرفصل‌های دوره

• 1. مبانی احتمال و آمار
• 2. مفاهیم اولیه توزیع‌های احتمال
• 3. توزیع‌های گسسته رایج
• 4. توزیع‌های پیوسته رایج
• 5. نظریه حد مرکزی
• 6. مقدمه‌ای بر زنجیره‌های مارکوف
• 7. فضاهای حالت و انتقال در زنجیره‌های مارکوف
• 8. انواع زنجیره‌های مارکوف
• 9. حل معادلات حالت پایدار
• 10. مقدمه‌ای بر روش‌های مونت کارلو
• 11. شبیه‌سازی مونت کارلو
• 12. کاربرد شبیه‌سازی مونت کارلو
• 13. مقدمه‌ای بر نمونه‌برداری از توزیع‌ها
• 14. تکنیک‌های اساسی نمونه‌برداری
• 15. نمونه‌برداری از طریق تبدیل
• 16. روش‌های نمونه‌برداری پذیرش-رد
• 17. مقدمه‌ای بر الگوریتم‌های MCMC
• 18. الگوریتم Metropolis-Hastings
• 19. پیاده‌سازی Metropolis-Hastings
• 20. الگوریتم Gibbs Sampling
• 21. پیاده‌سازی Gibbs Sampling
• 22. مقایسه Metropolis-Hastings و Gibbs
• 23. مقدمه‌ای بر توزیع‌های شرطی
• 24. ارتباط توزیع‌های شرطی با MCMC
• 25. توزیع‌های شرطی در مدل‌های پیچیده
• 26. مقدمه‌ای بر مدل‌های گرافیکی احتمالی
• 27. شبکه‌های بیزی
• 28. شبکه‌های مارکوف
• 29. استنتاج در مدل‌های گرافیکی
• 30. کاربرد MCMC در مدل‌های گرافیکی
• 31. مقدمه‌ای بر توزیع‌های پیشنهادی
• 32. اهمیت انتخاب توزیع پیشنهادی
• 33. ویژگی‌های یک توزیع پیشنهادی خوب
• 34. توزیع‌های پیشنهادی متقارن
• 35. توزیع‌های پیشنهادی نامتقارن
• 36. تنظیم پارامترهای توزیع پیشنهادی
• 37. مقدمه‌ای بر هندسه فضا
• 38. مفاهیم هندسی در فضاهای چندبعدی
• 39. فضاهای اقلیدسی و غیر اقلیدسی
• 40. تأثیر هندسه بر نمونه‌برداری
• 41. مقدمه‌ای بر توزیع‌های متناسب با هندسه
• 42. چگونه هندسه بر توزیع تأثیر می‌گذارد
• 43. طراحی توزیع‌های پیشنهادی متناسب با هندسه
• 44. توزیع‌های پیشنهادی بر اساس انحنا
• 45. توزیع‌های پیشنهادی بر اساس توپولوژی
• 46. روش‌های تطبیق توزیع پیشنهادی با هندسه
• 47. بهینه‌سازی توزیع‌های پیشنهادی
• 48. ارزیابی همگرایی در MCMC
• 49. معیارهای همگرایی
• 50. تشخیص همگرایی
• 51. همگرایی در توزیع‌های پیچیده
• 52. تأثیر هندسه بر همگرایی
• 53. مقدمه‌ای بر مدل‌های آماری پیشرفته
• 54. مدل‌های خطی تعمیم‌یافته
• 55. مدل‌های سلسله مراتبی
• 56. کاربرد MCMC در مدل‌های سلسله مراتبی
• 57. مقدمه‌ای بر بهینه‌سازی بیزی
• 58. استنتاج بیزی برای بهینه‌سازی
• 59. کاربرد MCMC در بهینه‌سازی بیزی
• 60. مقدمه‌ای بر پردازش سیگنال
• 61. کاربرد MCMC در پردازش سیگنال
• 62. تحلیل سری‌های زمانی با MCMC
• 63. مقدمه‌ای بر یادگیری ماشین
• 64. مقدمه‌ای بر شبکه‌های عصبی عمیق
• 65. کاربرد MCMC در آموزش شبکه‌های عصبی
• 66. مقدمه‌ای بر محاسبات علمی
• 67. کاربرد MCMC در محاسبات علمی
• 68. شبیه‌سازی در علوم فیزیک
• 69. شبیه‌سازی در علوم شیمی
• 70. شبیه‌سازی در علوم زیست‌شناسی
• 71. مقدمه‌ای بر آمار مالی
• 72. کاربرد MCMC در مدل‌سازی ریسک
• 73. تحلیل پورتفولیو با MCMC
• 74. مقدمه‌ای بر پردازش تصویر
• 75. کاربرد MCMC در بخش‌بندی تصاویر
• 76. استنتاج بیزی در بینایی ماشین
• 77. مقدمه‌ای بر زبان‌شناسی محاسباتی
• 78. کاربرد MCMC در مدل‌سازی زبان
• 79. تحلیل توالی‌های ژنتیکی با MCMC
• 80. مقدمه‌ای بر بهینه‌سازی ترکیبی
• 81. کاربرد MCMC در مسائل بهینه‌سازی ترکیبی
• 82. مقدمه‌ای بر شبیه‌سازی مونت کارلو کوانتومی
• 83. کاربرد MCMC در محاسبات کوانتومی
• 84. مقدمه‌ای بر تحلیل داده‌های بزرگ
• 85. چالش‌های MCMC در داده‌های بزرگ
• 86. راهکارهای MCMC برای داده‌های بزرگ
• 87. مقدمه‌ای بر روش‌های نمونه‌برداری پیشرفته
• 88. نمونه‌برداری از طریق زنجیره‌های متغیر
• 89. روش‌های MCMC موازی
• 90. مقدمه‌ای بر ارزیابی مدل‌های MCMC
• 91. معیارهای ارزیابی مدل
• 92. انتخاب بهترین مدل
• 93. مقدمه‌ای بر پیاده‌سازی‌های نرم‌افزاری MCMC
• 94. کتابخانه‌های محبوب MCMC
• 95. نکات عملی در پیاده‌سازی MCMC
• 96. مباحث پیشرفته در توزیع‌های پیشنهادی
• 97. توزیع‌های پیشنهادی تطبیقی
• 98. آموزش توزیع‌های پیشنهادی
• 99. مقدمه‌ای بر کاربردهای نوین MCMC
• 100. MCMC در رباتیک