دوره نمونه‌گیری قابل برگشت در یادگیری ماشین بیزی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب نمونه‌گیری قابل برگشت در یادگیری ماشین بیزی

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

موضوع میانی: نمونه‌گیری قابل برگشت (Reversible Jump MCMC - RJMCMC)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری ماشین بیزی
• 2. مقدمه ای بر نمونه‌گیری
• 3. اهمیت نمونه‌گیری در یادگیری ماشین بیزی
• 4. مروری بر مفاهیم احتمالات بیزی
• 5. قضیه بیز
• 6. توزیع‌های پیشین و پسین
• 7. مدل‌های بیزی
• 8. مقدمه ای بر مدل‌های گرافیکی احتمالی
• 9. توزیع‌های احتمال گسسته
• 10. توزیع‌های احتمال پیوسته
• 11. انتگرال‌گیری و امید ریاضی
• 12. قضیه فاکتورگیری
• 13. جریان‌های بیزی
• 14. نیاز به روش‌های نمونه‌گیری
• 15. محدودیت‌های روش‌های تحلیلی
• 16. مقدمه ای بر نمونه‌گیری قابل برگشت (Reversible Jump MCMC)
• 17. چرا نمونه‌گیری قابل برگشت؟
• 18. کاربرد نمونه‌گیری قابل برگشت
• 19. مقایسه با روش‌های MCMC سنتی
• 20. مفاهیم کلیدی در نمونه‌گیری قابل برگشت
• 21. مدل‌های با ابعاد متغیر
• 22. گذار بین مدل‌ها
• 23. فضاهای حالت مختلف
• 24. توابع انتقال
• 25. تعریف دقیق نمونه‌گیری قابل برگشت
• 26. الگوریتم نمونه‌گیری قابل برگشت
• 27. گام‌های الگوریتم
• 28. پذیرش یا رد انتقال
• 29. قوانین پذیرش
• 30. مفهوم "انتقال برگشت‌پذیر"
• 31. اهمیت برگشت‌پذیری
• 32. چگونه برگشت‌پذیری تضمین می‌شود؟
• 33. طراحی توابع انتقال
• 34. فضاهای حالت مدل‌ها
• 35. فضاهای حالت با ابعاد مختلف
• 36. فضاهای حالت با ساختارهای مختلف
• 37. مثال‌هایی از مدل‌های با ابعاد متغیر
• 38. مدل‌های رگرسیون با تعداد متغیرهای ناشناخته
• 39. مدل‌های خوشه‌بندی با تعداد خوشه‌های ناشناخته
• 40. مدل‌های انتخاب مدل
• 41. مدل‌های انتخاب ساختار شبکه
• 42. انتخاب تعداد مولفه‌ها در مخلوط گاوسی
• 43. انتخاب تعداد پارامترها در مدل‌های خطی
• 44. انتخاب تعداد عوامل در تجزیه ماتریس
• 45. انتخاب تعداد نودها در شبکه‌های عصبی
• 46. انتخاب تعداد اجزا در مدل‌های آماری
• 47. روش‌های طراحی توابع انتقال برای نمونه‌گیری قابل برگشت
• 48. توابع انتقال با ابعاد ثابت
• 49. توابع انتقال با تغییر ابعاد
• 50. توابع انتقال با ابعاد متغیر
• 51. توابع انتقال بر اساس تغییر پارامترها
• 52. توابع انتقال بر اساس افزودن یا حذف پارامترها
• 53. توابع انتقال بر اساس تغییر ساختار مدل
• 54. مثال‌هایی از طراحی توابع انتقال
• 55. توابع انتقال برای تغییر تعداد متغیرها در رگرسیون
• 56. توابع انتقال برای تغییر تعداد خوشه‌ها در خوشه‌بندی
• 57. توابع انتقال برای تغییر تعداد مولفه‌ها در مخلوط گاوسی
• 58. توابع انتقال برای تغییر ساختار مدل‌های گرافیکی
• 59. توابع انتقال برای افزودن یا حذف یال در شبکه‌های بیزی
• 60. توابع انتقال برای تغییر تعداد گره‌ها در شبکه‌های بیزی
• 61. توابع انتقال برای تغییر توزیع‌های پیشین
• 62. توابع انتقال برای تغییر پارامترهای مدل
• 63. آزمون‌های نمونه‌گیری قابل برگشت
• 64. مفهوم "ایجاد" و "تخریب" پارامترها
• 65. مفهوم "همسان‌سازی" پارامترها
• 66. مفهوم "تغییر نام" پارامترها
• 67. مفهوم "تغییر ابعاد" پارامترها
• 68. مفهوم "تغییر نوع" پارامترها
• 69. مفهوم "تغییر توزیع" پارامترها
• 70. مفهوم "تغییر ساختار" مدل
• 71. قوانین پذیرش در نمونه‌گیری قابل برگشت
• 72. فرمول کلی پذیرش
• 73. نقش نسبت درستنمایی
• 74. نقش نسبت پیشین
• 75. نقش ژاکوبین انتقال
• 76. نقش نسبت حجم فضاهای حالت
• 77. جبران‌سازی برای تغییر ابعاد
• 78. نقش ضرایب تنظیم
• 79. نکات عملی در پیاده‌سازی نمونه‌گیری قابل برگشت
• 80. انتخاب توزیع‌های پیشین مناسب
• 81. انتخاب توابع انتقال موثر
• 82. تنظیم پارامترهای الگوریتم
• 83. ارزیابی همگرایی نمونه‌گیر
• 84. نکات مربوط به همگرایی
• 85. مدت زمان لازم برای همگرایی
• 86. تعداد نمونه‌های لازم
• 87. روش‌های ارزیابی همگرایی
• 88. نمودارهای سری زمانی
• 89. آماره‌های گلمن-روبین
• 90. آماره‌های خودهمبستگی متقابل
• 91. تشخیص طول عمر حالت‌ها
• 92. تشخیص طول عمر انتقال‌ها
• 93. نکات مربوط به کارایی
• 94. پیاده‌سازی کارآمد
• 95. استفاده از نرم‌افزارهای موجود
• 96. مزایای نمونه‌گیری قابل برگشت
• 97. انعطاف‌پذیری بالا
• 98. توانایی مدل‌سازی عدم قطعیت در ساختار مدل
• 99. قابلیت کشف مدل‌های پنهان
• 100. کاربرد در مسائل پیچیده