فلش‌کارت‌های آموزشی MCMC برای شبکه‌های عصبی: از تئوری تا عمل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره MCMC برای شبکه‌های عصبی: از تئوری تا عمل

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

موضوع میانی: یادگیری عمیق بیزی (Bayesian Deep Learning)

📋 سرفصل‌های دوره

• 1. روش‌های نمونه‌گیری مونت کارلو مارکوف زنجیره‌ای
• 2. مقدمه‌ای بر فرآیندهای تصادفی
• 3. توزیع‌های احتمال و کاربردهای آن‌ها
• 4. مفهوم زنجیره مارکوف
• 5. فضاهای حالت و ماتریس‌های انتقال
• 6. تخمین پارامترهای زنجیره مارکوف
• 7. روش‌های شبیه‌سازی مونت کارلو
• 8. تولید اعداد تصادفی
• 9. تکنیک‌های کاهش واریانس
• 10. ادغام مونت کارلو
• 11. روش‌های اهمیت‌نمونه‌برداری
• 12. مقدمه‌ای بر شبکه‌های عصبی
• 13. پرceptron و یادگیری
• 14. شبکه‌های عصبی چندلایه
• 15. الگوریتم پس‌انتشار خطا
• 16. بهینه‌سازی گرادیان کاهشی
• 17. انتخاب نرخ یادگیری مناسب
• 18. معیارهای ارزیابی شبکه‌های عصبی
• 19. بیش‌برازش و روش‌های مقابله با آن
• 20. تنظیم‌سازی L1 و L2
• 21. Dropout و روش‌های منظم‌سازی دیگر
• 22. شبکه‌های عصبی کانولوشنی (CNN)
• 23. پردازش تصویر با CNN
• 24. شبکه‌های عصبی بازگشتی (RNN)
• 25. پردازش زبان طبیعی با RNN
• 26. حافظه بلندمدت کوتاه‌مدت (LSTM)
• 27. شبکه‌های مولد تخاصمی (GAN)
• 28. تولید تصاویر با GAN
• 29. کاربردهای GAN در افزایش داده
• 30. MCMC برای یادگیری پارامترهای شبکه‌های عصبی
• 31. روش‌های MCMC در بهینه‌سازی شبکه‌های عصبی
• 32. تخمین عدم قطعیت در شبکه‌های عصبی با MCMC
• 33. استفاده از MCMC برای انتخاب معماری شبکه
• 34. MCMC و یادگیری تقویتی
• 35. روش‌های MCMC در مدل‌های بیزی
• 36. استنتاج بیزی با MCMC
• 37. روش‌های نمونه‌گیری Metropolis-Hastings
• 38. الگوریتم Gibbs Sampling
• 39. روش‌های ترکیبی MCMC
• 40. کاربردهای MCMC در آمار فیزیک
• 41. MCMC در مدل‌سازی سری‌های زمانی
• 42. MCMC و پیش‌بینی
• 43. MCMC در مسائل بهینه‌سازی ترکیبی
• 44. MCMC و خوشه‌بندی
• 45. MCMC در پردازش سیگنال