دوره شبیه‌سازی بیزی پیشرفته با TensorFlow Probability همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبیه‌سازی بیزی پیشرفته با TensorFlow Probability

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

موضوع میانی: TensorFlow Probability

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبیه‌سازی بیزی
• 2. مفاهیم پایه احتمالات و آمار
• 3. توزیع‌های احتمالی رایج
• 4. مقدمه‌ای بر یادگیری ماشین بیزی
• 5. انگیزه و اصول شبیه‌سازی بیزی
• 6. شبکه‌های بیزی
• 7. نمایش گرافیکی مدل‌های احتمالی
• 8. استنتاج در شبکه‌های بیزی
• 9. استنتاج تقریبی بیزی
• 10. روش‌های مونت کارلو زنجیره مارکوف (MCMC)
• 11. الگوریتم گیبس
• 12. الگوریتم متروپلیس-هستینگز
• 13. روش‌های مبتنی بر گرادیان
• 14. تخمین‌گرهای گرادیان مقیاس‌پذیر
• 15. روش‌های واریانس پایین
• 16. پیاده‌سازی MCMC در TensorFlow Probability
• 17. مقدمه‌ای بر TensorFlow Probability
• 18. توزیع‌های احتمالی در TensorFlow Probability
• 19. فرایندهای احتمالی در TensorFlow Probability
• 20. مدل‌سازی خانواده‌های توزیعی
• 21. توزیع‌های شرطی
• 22. مدل‌های خطی تعمیم‌یافته بیزی (GLM)
• 23. مدل‌های سری زمانی بیزی
• 24. مدل‌های فضایی بیزی
• 25. مدل‌های رگرسیون بیزی
• 26. مدل‌های طبقه‌بندی بیزی
• 27. مدل‌های خوشه‌بندی بیزی
• 28. مدل‌های مبتنی بر شبکه عصبی بیزی
• 29. شبکه‌های عصبی بیزی
• 30. پیاده‌سازی شبکه‌های عصبی بیزی با TFP
• 31. استنتاج واریانس‌بای (Variational Inference)
• 32. مقدمه‌ای بر استنتاج واریانس‌بای
• 33. روش‌های بهینه‌سازی در استنتاج واریانس‌بای
• 34. پیاده‌سازی استنتاج واریانس‌بای در TFP
• 35. مقایسه MCMC و استنتاج واریانس‌بای
• 36. کاربردهای پیشرفته شبیه‌سازی بیزی
• 37. مدل‌سازی آماری برای داده‌های بزرگ
• 38. استنتاج بیزی در یادگیری عمیق
• 39. مدل‌های مولد بیزی
• 40. شبکه‌های مولد تخاصمی بیزی (Bayesian GANs)
• 41. مدل‌های عصبی مارکوف (Neural Markov Models)
• 42. یادگیری تقویتی بیزی
• 43. مدل‌سازی عدم قطعیت در یادگیری ماشین
• 44. ارزیابی مدل‌های بیزی
• 45. اعتبارسنجی متقابل بیزی
• 46. شاخص‌های اطلاعاتی بیزی
• 47. تحلیل حساسیت در مدل‌های بیزی
• 48. تفسیر نتایج مدل‌های بیزی
• 49. مدل‌سازی سلسله مراتبی بیزی
• 50. ساخت مدل‌های سلسله مراتبی
• 51. پیاده‌سازی مدل‌های سلسله مراتبی در TFP
• 52. کاربرد مدل‌های سلسله مراتبی در حوزه‌های مختلف
• 53. مدل‌سازی بیزی برای داده‌های ناقص
• 54. مدل‌سازی بیزی برای داده‌های پرت
• 55. مدل‌سازی بیزی برای داده‌های ساختاریافته
• 56. مدل‌سازی بیزی برای پردازش زبان طبیعی
• 57. مدل‌سازی بیزی برای بینایی ماشین
• 58. مدل‌سازی بیزی برای سیستم‌های توصیه‌گر
• 59. مدل‌سازی بیزی برای تحلیل شبکه‌های اجتماعی
• 60. مدل‌سازی بیزی برای اقتصاد سنجی
• 61. مدل‌سازی بیزی برای علوم زیستی
• 62. مدل‌سازی بیزی برای علوم مالی
• 63. مدل‌سازی بیزی برای مهندسی
• 64. بهینه‌سازی پارامترهای مدل‌های بیزی
• 65. تنظیم ابرپارامترها در مدل‌های بیزی
• 66. توسعه مدل‌های بیزی سفارشی
• 67. تکنیک‌های پیشرفته MCMC
• 68. روش‌های MCMC موازی
• 69. MCMC با نمونه‌برداری از توزیع‌های پیشین
• 70. روش‌های MCMC با گام‌های تطبیقی
• 71. استنتاج بیزی در زمان واقعی
• 72. مدل‌سازی بیزی برای سیستم‌های پویا
• 73. یادگیری بیزی فدرال
• 74. مدل‌سازی بیزی برای حریم خصوصی
• 75. نکات عملی و چالش‌ها در شبیه‌سازی بیزی
• 76. رفع مشکلات همگرایی MCMC
• 77. انتخاب توزیع‌های پیشین مناسب
• 78. ارزیابی کیفیت نمونه‌برداری
• 79. مقایسه مدل‌های بیزی مختلف
• 80. استفاده از ابزارهای تجسم در TFP
• 81. پروژه‌های عملی در شبیه‌سازی بیزی
• 82. تحلیل داده‌های واقعی با استفاده از TFP
• 83. ساخت داشبوردهای آماری بیزی
• 84. پیاده‌سازی مدل‌های بیزی برای حل مسائل صنعتی
• 85. مدل‌سازی بیزی برای پیش‌بینی روندها
• 86. مدل‌سازی بیزی برای کشف الگوها
• 87. مدل‌سازی بیزی برای تصمیم‌گیری بهینه
• 88. مباحث اخلاقی در مدل‌سازی بیزی
• 89. مقدمه‌ای بر یادگیری ماشین مسئولانه
• 90. مدل‌سازی بیزی و شفافیت
• 91. مدل‌سازی بیزی و عدالت
• 92. آینده شبیه‌سازی بیزی
• 93. روندهای تحقیقاتی جدید در یادگیری بیزی
• 94. نقش هوش مصنوعی در توسعه مدل‌های بیزی
• 95. کاربرد مدل‌های بیزی در حل چالش‌های جهانی