دوره راهنمای گام به گام برای پیاده‌سازی و استفاده از MCMC مبتنی بر زنجیره مارکوف همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای گام به گام برای پیاده‌سازی و استفاده از MCMC مبتنی بر زنجیره مارکوف

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

موضوع میانی: روش‌های نمونه‌گیری بر اساس زنجیره مارکوف

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبیه‌سازی مبتنی بر زنجیره مارکوف
• 2. مفهوم زنجیره‌های مارکوف و خواص آن‌ها
• 3. فرایندهای مارکوف زمان-پیوسته و زمان-گسسته
• 4. کاربرد زنجیره‌های مارکوف در مدل‌سازی
• 5. مقدمه‌ای بر نمونه‌برداری و تخمین پارامتر
• 6. مفهوم توزیع احتمال و توزیع پسین
• 7. مقدمه‌ای بر روش‌های مونت کارلو
• 8. مفهوم شبیه‌سازی مونت کارلو
• 9. نیاز به روش‌های پیشرفته‌تر در ابعاد بالا
• 10. معرفی روش‌های MCMC (Markov Chain Monte Carlo)
• 11. ارتباط MCMC با زنجیره‌های مارکوف
• 12. هدف اصلی MCMC: نمونه‌برداری از توزیع‌های پیچیده
• 13. مفهوم توزیع هدف (Target Distribution)
• 14. چالش‌های نمونه‌برداری مستقیم از توزیع هدف
• 15. اصول اولیه الگوریتم‌های MCMC
• 16. ایجاد یک زنجیره مارکوف با توزیع پایدار هدف
• 17. قضیه حد مرکزی و کاربرد آن در MCMC
• 18. توزیع‌های شرطی و حاشیه‌ای در مدل‌های پیچیده
• 19. مقدمه‌ای بر الگوریتم Metropolis-Hastings
• 20. مفهوم تابع پیشنهاد (Proposal Distribution)
• 21. قانون تعادل جزئی (Detailed Balance)
• 22. شرایط لازم برای همگرایی Metropolis-Hastings
• 23. پیاده‌سازی الگوریتم Metropolis-Hastings
• 24. انتخاب تابع پیشنهاد مناسب
• 25. مفهوم نسبت پذیرش (Acceptance Ratio)
• 26. مدیریت توزیع‌های احتمال نرمال‌سازی نشده
• 27. کاربرد Metropolis-Hastings در مدل‌های آماری
• 28. معرفی الگوریتم نمونه‌بردار گیبس (Gibbs Sampling)
• 29. مفهوم نمونه‌برداری شرطی کامل (Full Conditional)
• 30. مراحل الگوریتم نمونه‌بردار گیبس
• 31. مزایای نمونه‌بردار گیبس در مقابل Metropolis-Hastings
• 32. چالش‌های نمونه‌بردار گیبس: نیاز به توزیع‌های شرطی قابل نمونه‌برداری
• 33. پیاده‌سازی الگوریتم نمونه‌بردار گیبس
• 34. کاربرد نمونه‌بردار گیبس در مدل‌های بیزی
• 35. ترکیب Metropolis-Hastings و نمونه‌بردار گیبس
• 36. الگوریتم‌های ترکیبی (Hybrid Algorithms)
• 37. مفهوم همگرایی زنجیره مارکوف
• 38. معیارهای ارزیابی همگرایی
• 39. تحلیل بصری همگرایی (Trace Plots)
• 40. تحلیل آماری همگرایی (Gelman-Rubin Statistic)
• 41. تشخیص مراحل اولیه (Burn-in Period)
• 42. نمونه‌برداری پس از همگرایی
• 43. مفهوم اتوکورلاسیون (Autocorrelation) در نمونه‌ها
• 44. راه‌های کاهش اتوکورلاسیون
• 45. نمونه‌برداری با گام‌های بزرگتر (Thinning)
• 46. انتخاب تعداد تکرار (Iterations) کافی
• 47. ارزیابی کیفیت نمونه‌ها
• 48. کاربرد MCMC در مدل‌های خطی تعمیم‌یافته (GLMs)
• 49. مدل‌های سلسله مراتبی (Hierarchical Models)
• 50. مدل‌های بیزی در آمار و یادگیری ماشین
• 51. کاربرد MCMC در مدل‌سازی سری‌های زمانی
• 52. مدل‌های پنهان مارکوف (Hidden Markov Models)
• 53. کاربرد MCMC در پردازش زبان طبیعی
• 54. مدل‌های موضوعی (Topic Models)
• 55. کاربرد MCMC در بینایی ماشین
• 56. تشخیص اشیاء و قطعه‌بندی تصاویر
• 57. مدل‌های گرافیکی احتمالی (Probabilistic Graphical Models)
• 58. نفوذ MCMC در مدل‌های گرافیکی
• 59. کاربرد MCMC در علوم زیستی و پزشکی
• 60. مدل‌سازی اپیدمی‌ها و بیماری‌ها
• 61. تحلیل داده‌های ژنومیک
• 62. کاربرد MCMC در علوم مالی
• 63. مدل‌سازی ریسک و قیمت‌گذاری دارایی‌ها
• 64. کاربرد MCMC در علوم اجتماعی
• 65. تحلیل شبکه‌های اجتماعی
• 66. مدل‌سازی رفتار رای‌دهندگان
• 67. تکنیک‌های پیشرفته MCMC
• 68. نمونه‌برداری با اهمیت (Importance Sampling)
• 69. نمونه‌برداری با اهمیت تکراری (Repeated Importance Sampling)
• 70. روش‌های نمونه‌برداری متوازی (Parallel Tempering)
• 71. روش‌های نمونه‌برداری از طریق زنجیره‌های موازی (Coupled MCMC)
• 72. روش‌های MCMC تطبیقی (Adaptive MCMC)
• 73. بهینه‌سازی خودکار تابع پیشنهاد
• 74. معرفی کتابخانه‌ها و ابزارهای MCMC
• 75. PyMC3 و TensorFlow Probability
• 76. Stan و JAGS
• 77. MCMC در زبان R
• 78. پیاده‌سازی MCMC با NumPy و SciPy
• 79. نکات عملی در پیاده‌سازی MCMC
• 80. مدیریت حافظه و محاسبات در پروژه‌های بزرگ
• 81. اشکال‌زدایی الگوریتم‌های MCMC
• 82. تفسیر نتایج MCMC
• 83. مقایسه MCMC با روش‌های تخمین دیگر
• 84. مزایا و معایب MCMC
• 85. موارد کاربرد پیشرفته MCMC
• 86. تحقیقات جاری در حوزه MCMC
• 87. آینده MCMC و یادگیری عمیق
• 88. ساخت مدل‌های آماری بیزی سفارشی
• 89. تکنیک‌های نمونه‌برداری پیشرفته برای توزیع‌های پیچیده
• 90. ارزیابی حساسیت مدل به پارامترها
• 91. مدل‌سازی عدم قطعیت در پیش‌بینی‌ها
• 92. کاربرد MCMC در بهینه‌سازی بیزی
• 93. حل مسائل بهینه‌سازی با استفاده از MCMC
• 94. معرفی مفاهیم مرتبط با مدل‌های بیزی پیشرفته
• 95. مقدمه‌ای بر فرآیندهای گوسی (Gaussian Processes)
• 96. کاربرد MCMC در مدل‌سازی گسسته
• 97. مدل‌سازی داده‌های طبقه‌بندی شده
• 98. پردازش و تحلیل داده‌های حجیم با MCMC
• 99. نکات امنیتی و حفظ حریم خصوصی در تحلیل داده‌ها
• 100. ملاحظات اخلاقی در استفاده از MCMC