کتاب صوتی تحلیل و شبیه‌سازی سیستم‌های دینامیکی با استفاده از یادگیری ماشین و بهینه‌سازی حمل‌ونقل (Optimal Transport)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و شبیه‌سازی سیستم‌های دینامیکی با استفاده از یادگیری ماشین و بهینه‌سازی حمل‌ونقل (Optimal Transport)

موضوع کلی: علوم داده و یادگیری ماشین (Data Science and Machine Learning)

موضوع میانی: مدل‌سازی ریاضی پدیده‌های تصادفی و بهینه‌سازی

📋 سرفصل‌های دوره

• 1. مبانی احتمالات و فرآیندهای تصادفی در علوم داده
• 2. مفاهیم پایه در سیستم‌های دینامیکی پیوسته و گسسته
• 3. معرفی یادگیری ماشین در تحلیل داده‌های سری زمانی
• 4. مبانی ریاضی حمل‌ونقل بهینه و فاصله واسرشتاین
• 5. مسئله انتقال جرم و کاربرد آن در توزیع‌های احتمالی
• 6. معادله فوکر-پلانک و توصیف تحولی سیستم‌های تصادفی
• 7. مدل‌سازی انتشار و حرکت براونی در سیستم‌های فیزیکی
• 8. روش‌های نمونه‌برداری از توزیع‌های آماری پیچیده
• 9. مفاهیم پایه در بهینه‌سازی محدب و غیرمحدب
• 10. الگوریتم‌های بهینه‌سازی در فضای توزیع‌های احتمال
• 11. مسئله حمل‌ونقل بهینه نامتوازن و کاربردهای آن
• 12. قیدهای منظم‌سازی در مسائل بهینه‌سازی حمل‌ونقل
• 13. آنتروپی و نقش آن در پایدارسازی محاسبات حمل‌ونقل
• 14. تخمین توزیع‌های احتمال از داده‌های پراکنده و لحظه‌ای
• 15. روش‌های یادگیری ماشین برای استخراج دینامیک از داده‌ها
• 16. تخمین پارامترهای مدل‌های تصادفی با استفاده از حمل‌ونقل بهینه
• 17. معماری شبکه‌های عصبی برای تقریب نگاشت‌های بهینه
• 18. استفاده از شبکه عصبی برای حل معادلات دیفرانسیل تصادفی
• 19. تطبیق توزیع در یادگیری ماشین با رویکرد حمل‌ونقل بهینه
• 20. تحلیل پایداری سیستم‌های دینامیکی یادگیری‌شده
• 21. پیاده‌سازی عددی روش‌های حمل‌ونقل بهینه منظم‌شده
• 22. مقایسه روش‌های مبتنی بر مدل و مدل‌های داده‌محور
• 23. تخمین چگالی احتمال با استفاده از مدل‌های مولد
• 24. کاربرد مدل‌سازی تصادفی در تحلیل داده‌های زیستی
• 25. بهینه‌سازی در سیستم‌های کنترل خودکار و هوشمند
• 26. تحلیل خطای مدل‌سازی در حضور نویزهای تصادفی
• 27. روش‌های کاهش ابعاد با استفاده از هندسه اطلاعاتی
• 28. شبیه‌سازی مونت‌کارلو در سیستم‌های دینامیکی
• 29. ترکیب مدل‌های فیزیکی و یادگیری ماشین برای پیش‌بینی
• 30. ارزیابی عملکرد مدل‌های یادگیری ماشین در سیستم‌های پویا
• 31. کاربرد حمل‌ونقل بهینه در خوشه‌بندی داده‌های زمانی
• 32. روش‌های عددی برای حل مسائل انتقال جرم در ابعاد بالا
• 33. تحلیل حساسیت مدل‌های تصادفی نسبت به پارامترها
• 34. استفاده از یادگیری عمیق در تقریب اپراتورهای تکامل
• 35. مدل‌سازی سیستم‌های پیچیده با استفاده از داده‌های مشاهده‌ای
• 36. تکنیک‌های منظم‌سازی برای جلوگیری از بیش‌برازش در مدل‌های دینامیکی
• 37. کاربرد یادگیری ماشین در پیش‌بینی رفتار سیستم‌های آشوب‌ناک
• 38. بهینه‌سازی توزیع‌های چندمتغیره در مسائل تصمیم‌گیری
• 39. ارائه مدل‌های مبتنی بر حمل‌ونقل بهینه برای جریان داده‌ها
• 40. چالش‌های محاسباتی در پیاده‌سازی الگوریتم‌های حمل‌ونقل بهینه
• 41. مطالعه موردی تحلیل دینامیک بازارها در چارچوب اقتصاد اسلامی
• 42. روش‌های مبتنی بر داده برای تخمین میدان‌های سرعت تصادفی
• 43. بهینه‌سازی مقید در مسائل تخصیص منابع
• 44. تحلیل همگرایی الگوریتم‌های یادگیری در فضای احتمالات
• 45. کاربرد مدل‌های دینامیکی در تحلیل سیستم‌های زیرساختی
• 46. پیاده‌سازی عملی مدل‌ها با کتابخانه‌های پایتون
• 47. ارزیابی دقت مدل در بازسازی مسیرهای تصادفی
• 48. آینده‌نگری در توسعه الگوریتم‌های یادگیری ماشین برای سیستم‌های پویا