دوره استفاده از MCMC در شبکه‌های بیزی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از MCMC در شبکه‌های بیزی

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

موضوع میانی: کاربرد در مدل‌سازی آماری و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های بیزی
• 2. مفاهیم کلیدی احتمالات و آمار
• 3. مدل‌سازی گرافیکی احتمالی
• 4. اصول شبکه‌های بیزی
• 5. ساختارهای شبکه‌های بیزی
• 6. پیمایش در شبکه‌های بیزی
• 7. استنتاج در شبکه‌های بیزی
• 8. روش‌های دقیق استنتاج
• 9. روش‌های تقریبی استنتاج
• 10. مقدمه‌ای بر زنجیره‌های مارکوف
• 11. فضای حالت در زنجیره‌های مارکوف
• 12. گذار حالت در زنجیره‌های مارکوف
• 13. قضیه حد مرکزی برای زنجیره‌های مارکوف
• 14. مقدمه‌ای بر روش‌های مونت کارلو (MC)
• 15. شبیه‌سازی مونت کارلو
• 16. روش‌های نمونه‌برداری در MC
• 17. مقدمه‌ای بر نمونه‌برداری زنجیره مارکوف (MCMC)
• 18. اصول MCMC
• 19. مفهوم زنجیره مارکوف برای MCMC
• 20. شرط توازن جزئی
• 21. شرط توازن کامل
• 22. انتخاب تابع توزیع پیشین
• 23. انتخاب تابع درستنمایی
• 24. تابع توزیع پسین
• 25. مشکلات در MCMC
• 26. همگرایی در MCMC
• 27. معیارهای ارزیابی همگرایی
• 28. روش‌های تشخیص همگرایی
• 29. نمونه‌برداری از توزیع‌های پیچیده
• 30. نمونه‌برداری از توزیع‌های چندمتغیره
• 31. ترکیب با شبکه‌های بیزی
• 32. کاربرد MCMC در شبکه‌های بیزی
• 33. استنتاج پسین در شبکه‌های بیزی با MCMC
• 34. تخمین پارامترها با MCMC
• 35. برآورد احتمال شرطی با MCMC
• 36. پایین آوردن ابعاد در شبکه‌های بیزی
• 37. مدل‌های بیزی سلسله مراتبی
• 38. آموزش مدل‌های بیزی با MCMC
• 39. ارزیابی مدل‌های بیزی
• 40. انتخاب مدل با MCMC
• 41. اعتبارسنجی متقابل مدل‌های بیزی
• 42. پیش‌بینی با شبکه‌های بیزی و MCMC
• 43. تحلیل حساسیت در شبکه‌های بیزی
• 44. مدل‌سازی سری‌های زمانی با شبکه‌های بیزی
• 45. کاربرد MCMC در پردازش زبان طبیعی
• 46. کاربرد MCMC در بینایی ماشین
• 47. کاربرد MCMC در زیست‌شناسی محاسباتی
• 48. کاربرد MCMC در علوم اقتصادی
• 49. کاربرد MCMC در مهندسی مالی
• 50. کاربرد MCMC در شبکه‌های اجتماعی
• 51. کاربرد MCMC در علوم اعصاب
• 52. کاربرد MCMC در تحقیقات پزشکی
• 53. روش‌های نمونه‌برداری نمونه‌گیری پذیرش-رد (AR)
• 54. الگوریتم متروپلیس-هستینگز
• 55. نمونه‌برداری هستینگز
• 56. نمونه‌برداری متروپلیس
• 57. کاربرد AR در شبکه‌های بیزی
• 58. روش نمونه‌برداری گیبس
• 59. اصول نمونه‌گیری گیبس
• 60. کاربرد گیبس در شبکه‌های بیزی
• 61. مقایسه متروپلیس-هستینگز و گیبس
• 62. پیاده‌سازی MCMC با کتابخانه‌های پایتون
• 63. بسته PyMC3
• 64. بسته Stan
• 65. بسته TensorFlow Probability
• 66. آموزش نمونه‌برداری از توزیع‌های دشوار
• 67. نمونه‌برداری از توزیع‌های بریده شده
• 68. نمونه‌برداری از توزیع‌های ترکیبی
• 69. بهینه‌سازی پارامترهای MCMC
• 70. تنظیم گام‌های نمونه‌گیری
• 71. تنظیم اندازه بچ
• 72. تکنیک‌های تسریع MCMC
• 73. نمونه‌برداری موازی
• 74. نمونه‌برداری با اهمیت
• 75. نمونه‌گیری مبتنی بر گرادیان
• 76. روش‌های کاهش واریانس
• 77. کاهش همبستگی بین نمونه‌ها
• 78. کاهش همبستگی متوالی
• 79. روش‌های کاهش زمان سرد شدن (Warm-up)
• 80. ارزیابی کیفیت نمونه‌ها
• 81. نمودارهای سری زمانی نمونه‌ها
• 82. نمودارهای توزیع پسین
• 83. آماره‌های توصیفی نمونه‌ها
• 84. روش‌های آماری برای ارزیابی همگرایی
• 85. آزمون‌های آماری برای همگرایی
• 86. مقایسه نتایج MCMC با روش‌های تحلیلی
• 87. مدل‌سازی عدم قطعیت با MCMC
• 88. تفسیر نتایج MCMC
• 89. گزارش‌دهی نتایج MCMC
• 90. ملاحظات عملی در پیاده‌سازی MCMC
• 91. انتخاب تابع پیشین مناسب
• 92. انتخاب تابع درستنمایی دقیق
• 93. مدیریت داده‌های بزرگ در MCMC
• 94. محدودیت‌های MCMC
• 95. محدودیت‌های محاسباتی MCMC
• 96. محدودیت‌های نظری MCMC
• 97. روش‌های جایگزین MCMC
• 98. نمونه‌برداری اهمیت
• 99. روش‌های مبتنی بر بهینه‌سازی
• 100. مقدمه‌ای بر یادگیری عمیق بیزی