اکسپرس 24
کتاب GPU Computing in Bayesian MCMC: From Theory to Practice

کتاب GPU Computing in Bayesian MCMC: From Theory to Practice

تگ‌ها: CUDA CUDA Kernels GPU Computing Hamiltonian Monte Carlo JAX MCMC MCMC Diagnostics Monte Carlo Markov Chain NumPyro NUTS Probabilistic Programming PyTorch Stochastic Gradient MCMC TensorFlow Probability آمار بیزی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره GPU Computing in Bayesian MCMC: From Theory to Practice

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

موضوع میانی: بهره‌گیری از قابلیت‌های GPU

📋 سرفصل‌های دوره

  • 1. مبانی استنتاج بیزی با MCMC
  • 2. مدل‌سازی posterior و چگالی احتمال
  • 3. مقایسه Gibbs، Metropolis–Hastings، HMC و NUTS
  • 4. مفاهیم همگرایی زنجیره مارکوف
  • 5. انتخاب معیار توقف و نمونه‌های اولیه
  • 6. محاسبات پایدار در فضای لگاریتمی
  • 7. معماری محاسبات هم‌زمان GPU
  • 8. مدل برنامه‌نویسی CUDA
  • 9. اجرای kernels و مدیریت threads، blocks و grids
  • 10. تفاوت الگوهای محاسباتی CPU و GPU
  • 11. طراحی kernel برای ارزیابی posterior
  • 12. طراحی kernel برای تولید پیشنهاد
  • 13. طراحی kernel برای تصمیم پذیرش
  • 14. کاهش divergence در kernels
  • 15. آرایش داده‌ها برای محاسبات برداری
  • 16. memory coalescing در kernels MCMC
  • 17. بهینه‌سازی cache برای parameters و likelihood
  • 18. استفاده از shared memory
  • 19. مدیریت constant و global memory
  • 20. کاهش هزینه انتقال CPU–GPU
  • 21. استفاده از pinned memory
  • 22. مدیریت asynchronous transfers
  • 23. استفاده از CUDA streams
  • 24. هم‌پوشانی محاسبه و انتقال داده
  • 25. همگام‌سازی و خطاهای وابستگی
  • 26. تولید اعداد تصادفی روی GPU
  • 27. Philox و Threefry برای MCMC
  • 28. مدیریت streams تصادفی مستقل
  • 29. بازتولیدپذیری نتایج MCMC
  • 30. موازی‌سازی زنجیره‌های مستقل
  • 31. محدودیت‌های موازی‌سازی زنجیره‌ها
  • 32. روش‌های ensemble در MCMC
  • 33. Population MCMC روی GPU
  • 34. Parallel Tempering روی GPU
  • 35. Particle MCMC برای likelihoodهای پنهان
  • 36. ارزیابی موازی چند candidate
  • 37. نمونه‌برداری Metropolis–Hastings روی GPU
  • 38. Gibbs Sampling روی GPU
  • 39. HMC روی GPU
  • 40. هم‌گرایی leapfrog
  • 41. تولید momentum روی GPU
  • 42. محاسبه انرژی همیلتنی
  • 43. بهینه‌سازی trajectory integration
  • 44. HMC با خودکار مشتق‌گیری
  • 45. بهینه‌سازی حافظه در autodiff
  • 46. ماتریس جرم در HMC
  • 47. برآورد و تنظیم mass matrix
  • 48. NUTS روی GPU
  • 49. ساخت درخت dual averaging در NUTS
  • 50. انتخاب خودکار step size در NUTS
  • 51. کنترل divergences و depth در NUTS
  • 52. نمونه‌برداری با گرادیان تصادفی
  • 53. استفاده از mini-batch likelihood
  • 54. تعادل bias و variance در stochastic MCMC
  • 55. داده‌های sparse در kernels likelihood
  • 56. محاسبه کارآمد Cholesky
  • 57. محاسبه log determinant
  • 58. مدل‌های خطی و generalized linear روی GPU
  • 59. مدل‌های hierarchical روی GPU
  • 60. مدل‌های Gaussian Process روی GPU
  • 61. ماژولارسازی مدل‌های احتمالاتی
  • 62. PyTorch برای MCMC روی GPU
  • 63. JAX برای MCMC روی GPU
  • 64. TensorFlow Probability روی GPU
  • 65. NumPyro روی GPU
  • 66. Stan و CUDA برای مدل‌های بیزی
  • 67. vectorization در برابر GPU parallelism
  • 68. JIT compilation برای kernels محاسباتی
  • 69. بهینه‌سازی XLA در JAX
  • 70. پروفایل‌گیری عملکرد GPU
  • 71. اندازه‌گیری latency و throughput
  • 72. بهینه‌سازی مصرف حافظه
  • 73. benchmarking الگوریتم‌ها و پیاده‌سازی‌ها
  • 74. محاسبه autocorrelation روی GPU
  • 75. محاسبه R-hat و ESS
  • 76. تشخیص divergences در HMC و NUTS
  • 77. تحلیل tree depth و acceptance rate
  • 78. posterior predictive sampling روی GPU
  • 79. اعتبارسنجی نتیجه‌های MCMC
  • 80. طراحی pipeline کامل از data به posterior
  • 81. deployment of GPU MCMC workloads
  • 82. عیب‌یابی خطاهای رایج در پیاده‌سازی GPU MCMC
  • 83. مقیام‌پذیری مدل‌های بیزی بزرگ روی GPU
  • 84. بازتولیدپذیری و کنترل نسخه در پروژه‌های MCMC
  • 85. پیاده‌سازی پروژه عملی Bayesian MCMC روی GPU

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.