اپلیکیشن اندرویدی فلش‌کارت آموزشی زنجیره‌های مارکوف زمان گسسته و روش‌های مونت کارلو در مهندسی و علوم داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره زنجیره‌های مارکوف زمان گسسته و روش‌های مونت کارلو در مهندسی و علوم داده

موضوع کلی: آمار و احتمالات کاربردی

موضوع میانی: مدل‌های تصادفی در زمان گسسته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر احتمال و آمار
• 2. مفاهیم پایه احتمال
• 3. فضای نمونه و پیشامدها
• 4. قواعد احتمال
• 5. احتمال شرطی و استقلال
• 6. قانون احتمال کل و قضیه بیز
• 7. متغیرهای تصادفی گسسته
• 8. توزیع‌های گسسته پرکاربرد
• 9. امید ریاضی و واریانس
• 10. متغیرهای تصادفی پیوسته
• 11. توزیع‌های پیوسته پرکاربرد
• 12. چند توزیع مهم پیوسته
• 13. توزیع نرمال و کاربردهای آن
• 14. توزیع‌های چند متغیره
• 15. کوواریانس و همبستگی
• 16. مقدمه‌ای بر زنجیره‌های مارکوف
• 17. فرایندهای تصادفی
• 18. فضای حالت و زمان در زنجیره‌های مارکوف
• 19. زنجیره‌های مارکوف زمان گسسته
• 20. ماتریس انتقال حالت
• 21. انواع حالت‌ها در زنجیره مارکوف
• 22. کلاس‌های بازگشتی و متناوب
• 23. تعادل در زنجیره‌های مارکوف
• 24. نظریه ارگودیک
• 25. قضیه حد مرکزی و کاربردهای آن
• 26. مقدمه‌ای بر شبیه‌سازی
• 27. روش‌های تولید اعداد تصادفی
• 28. تولید اعداد تصادفی با توزیع‌های مختلف
• 29. روش نمونه‌گیری مستقبلی
• 30. نمونه‌گیری پذیرش-رد
• 31. مقدمه‌ای بر روش‌های مونت کارلو
• 32. کاربرد روش‌های مونت کارلو در انتگرال‌گیری
• 33. تخمین پارامترها با مونت کارلو
• 34. روش‌های مونت کارلو برای بهینه‌سازی
• 35. روش مونت کارلو مارکوف چین (MCMC)
• 36. مفاهیم پایه MCMC
• 37. الگوریتم متروپلیس-هستینگز
• 38. الگوریتم گیبس سمپلینگ
• 39. کاربرد MCMC در مدل‌های بیزی
• 40. مدل‌های گرافیکی احتمالی
• 41. شبکه‌های بیزی
• 42. کاربرد شبکه‌های بیزی در مهندسی
• 43. تحلیل قابلیت اطمینان با زنجیره‌های مارکوف
• 44. مدل‌سازی صف با زنجیره‌های مارکوف
• 45. کاربرد در سیستم‌های صف‌بندی
• 46. زنجیره‌های مارکوف پنهان (HMM)
• 47. کاربرد HMM در پردازش گفتار
• 48. کاربرد HMM در بیوانفورماتیک
• 49. شبیه‌سازی فرایندهای تصادفی
• 50. شبیه‌سازی دینامیک مولکولی
• 51. کاربرد در فیزیک آماری
• 52. مدل‌سازی رفتار مصرف‌کننده
• 53. کاربرد در اقتصاد سنجی
• 54. تحلیل سری‌های زمانی با مدل‌های مارکوف
• 55. پیش‌بینی با زنجیره‌های مارکوف
• 56. تخمین پارامترهای مدل‌های مارکوف
• 57. کاهش ابعاد در داده‌ها
• 58. تحلیل مولفه‌های اصلی (PCA)
• 59. تحلیل عاملی
• 60. کاهش ابعاد با روش‌های مبتنی بر زنجیره‌های مارکوف
• 61. کاربرد در یادگیری ماشین
• 62. طبقه‌بندی با ماشین‌های بردار پشتیبان (SVM)
• 63. خوشه‌بندی با الگوریتم K-Means
• 64. روش‌های کاهش ابعاد در یادگیری عمیق
• 65. شبکه‌های عصبی کانولوشنی (CNN)
• 66. شبکه‌های عصبی بازگشتی (RNN)
• 67. مدل‌های زبانی
• 68. کاربرد در پردازش زبان طبیعی
• 69. تحلیل احساسات
• 70. ترجمه ماشینی
• 71. تکنیک‌های نمونه‌گیری پیشرفته
• 72. نمونه‌گیری اهمیت
• 73. نمونه‌گیری مبتنی بر زنجیره مارکوف
• 74. کاربرد در شبیه‌سازی سیستم‌های پیچیده
• 75. مدل‌سازی شبکه‌های اجتماعی
• 76. تحلیل انتشار اطلاعات
• 77. مدل‌سازی زیست‌شناسی سیستم‌ها
• 78. کاربرد در ژنتیک جمعیت
• 79. مدل‌سازی بیماری‌های عفونی
• 80. روش‌های مونت کارلو برای مسائل بهینه‌سازی تصادفی
• 81. بهینه‌سازی با الگوریتم ژنتیک
• 82. بهینه‌سازی با الگوریتم ازدحام ذرات
• 83. کاربرد در یادگیری تقویتی
• 84. مقدمه‌ای بر یادگیری تقویتی
• 85. یادگیری تقویتی مبتنی بر ارزش
• 86. یادگیری تقویتی مبتنی بر سیاست
• 87. الگوریتم Q-learning
• 88. الگوریتم SARSA
• 89. کاربرد در رباتیک
• 90. کاربرد در سیستم‌های توصیه‌گر
• 91. مدل‌سازی تصادفی در مالی
• 92. مدل بلک-شولز
• 93. قیمت‌گذاری اختیار معامله
• 94. مدل‌سازی ریسک اعتباری
• 95. کاربرد در مدیریت پرتفوی
• 96. تحلیل سری‌های زمانی مالی
• 97. پیش‌بینی بازده سهام
• 98. مدل‌سازی نوسانات
• 99. کاربرد در تحلیل داده‌های بزرگ
• 100. مقدمه‌ای بر یادگیری آماری