فلش‌کارت‌های آموزشی یادگیری عمیق و MCMC: تلفیق برای حل مسائل پیچیده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق و MCMC: تلفیق برای حل مسائل پیچیده

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

موضوع میانی: مطالعات موردی و کاربردها

📋 سرفصل‌های دوره

• 1. مبانی یادگیری عمیق
• 2. مقدمه ای بر شبکه‌های عصبی
• 3. توابع فعال‌سازی در شبکه‌های عصبی
• 4. بهینه‌سازی شبکه‌های عصبی: گرادیان کاهشی
• 5. پس‌انتشار خطا
• 6. معماری‌های پرکاربرد شبکه‌های عصبی
• 7. شبکه‌های عصبی کانولوشنال (CNN)
• 8. شبکه‌های عصبی بازگشتی (RNN)
• 9. حافظه طولانی کوتاه‌مدت (LSTM)
• 10. واحد بازگشتی دروازه‌ای (GRU)
• 11. یادگیری عمیق برای پردازش زبان طبیعی
• 12. یادگیری عمیق برای بینایی ماشین
• 13. مقدمه ای بر زنجیره مارکوف مونت کارلو (MCMC)
• 14. فرآیندهای مارکوف
• 15. توزیع احتمال شرطی
• 16. قضیه بیز
• 17. نمونه‌گیری از توزیع‌های پیچیده
• 18. الگوریتم متروپلیس-هستینگز
• 19. نمونه‌گیری گیبس
• 20. همگرایی در MCMC
• 21. ارزیابی همگرایی MCMC
• 22. روش‌های پیشرفته MCMC
• 23. شبکه‌های عصبی بیزی
• 24. استنتاج بیزی با شبکه‌های عصبی
• 25. مدل‌های مولد
• 26. یادگیری عمیق و مدل‌های مولد
• 27. شبکه‌های مولد تخاصمی (GAN)
• 28. کاربردهای GAN
• 29. خودرمزگذارها (Autoencoders)
• 30. کاربردهای خودرمزگذارها
• 31. تبدیل خودرمزگذارها
• 32. مدل‌های مبتنی بر تبدیل‌گر
• 33. ترانسفورمرها در پردازش زبان طبیعی
• 34. ترانسفورمرها در بینایی ماشین
• 35. ترکیب یادگیری عمیق و MCMC
• 36. مزایای تلفیق یادگیری عمیق و MCMC
• 37. چالش‌های تلفیق
• 38. کاربردهای تلفیقی در بهینه‌سازی
• 39. کاربردهای تلفیقی در مدل‌سازی آماری
• 40. کاربردهای تلفیقی در علم داده
• 41. کاربردهای تلفیقی در مهندسی
• 42. کاربردهای تلفیقی در علوم زیستی
• 43. کاربردهای تلفیقی در علوم مالی
• 44. کاربردهای تلفیقی در پردازش سیگنال
• 45. مقدمه ای بر یادگیری تقویتی
• 46. عوامل و محیط‌ها در یادگیری تقویتی
• 47. تابع ارزش و تابع سیاست
• 48. یادگیری آفلاین و آنلاین
• 49. یادگیری تقویتی عمیق
• 50. الگوریتم‌های Q-learning
• 51. الگوریتم‌های Policy Gradient
• 52. دینامیک یادگیری تقویتی در شبکه‌های عصبی
• 53. کاربردهای یادگیری تقویتی عمیق
• 54. مقدمه ای بر استنتاج و مدل‌سازی آماری
• 55. مدل‌های خطی تعمیم‌یافته
• 56. مدل‌های مختلط
• 57. استنتاج بیزی برای مدل‌های خطی
• 58. استنتاج بیزی برای مدل‌های مختلط
• 59. روش‌های نمونه‌گیری برای مدل‌های پیچیده
• 60. ارزیابی مدل‌های آماری
• 61. انتخاب مدل
• 62. اعتبارسنجی متقابل
• 63. مقدمه ای بر یادگیری چندوظیفه‌ای
• 64. یادگیری چند وظیفه‌ای با شبکه‌های عصبی
• 65. یادگیری چند وظیفه‌ای با MCMC
• 66. کاربردهای یادگیری چندوظیفه‌ای
• 67. مقدمه ای بر یادگیری انتقالی
• 68. روش‌های یادگیری انتقالی
• 69. کاربردهای یادگیری انتقالی
• 70. مقدمه ای بر شبکه‌های گراف عصبی (GNN)
• 71. ساختارهای گراف
• 72. عملیات در GNN
• 73. کاربردهای GNN
• 74. مقدمه ای بر مدل‌های مبتنی بر انتشار
• 75. فرآیندهای انتشار در مدل‌سازی
• 76. کاربردهای مدل‌های انتشار
• 77. بهینه‌سازی ابرپارامتر در شبکه‌های عصبی
• 78. روش‌های منظم‌سازی
• 79. اعتبارسنجی مدل‌های یادگیری عمیق
• 80. مقدمه ای بر مدل‌های زبانی بزرگ
• 81. معماری‌های مدل‌های زبانی بزرگ
• 82. کاربردهای مدل‌های زبانی بزرگ
• 83. مقدمه ای بر یادگیری خودنظارت
• 84. تکنیک‌های یادگیری خودنظارت
• 85. کاربردهای یادگیری خودنظارت
• 86. روش‌های ارزیابی پیشرفته در MCMC
• 87. تحلیل حساسیت در مدل‌های تلفیقی
• 88. پیاده‌سازی عملی الگوریتم‌های MCMC
• 89. مقدمه ای بر استنتاج علّی
• 90. مدل‌های علّی در یادگیری عمیق
• 91. کاربردهای استنتاج علّی