دوره نمونه‌برداری مبتنی بر گرادیان با TensorFlow/Theano برای MCMC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره نمونه‌برداری مبتنی بر گرادیان با TensorFlow/Theano برای MCMC

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

موضوع میانی: استفاده از Theano/TensorFlow برای بک‌اند

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نمونه‌برداری مبتنی بر گرادیان
• 2. مبانی احتمال و آمار برای یادگیری ماشین
• 3. آشنایی با TensorFlow و Theano
• 4. معرفی روش‌های مونت کارلو زنجیره مارکوف (MCMC)
• 5. مفاهیم اساسی MCMC
• 6. Metropolis-Hastings Algorithm
• 7. Gibbs Sampling
• 8. خانواده توزیع‌های نرمال و چندمتغیره
• 9. مقدمه‌ای بر بهینه‌سازی در یادگیری ماشین
• 10. گرادیان کاهشی تصادفی (SGD)
• 11. مفاهیم مشتقات جزئی و بردار گرادیان
• 12. پیاده‌سازی گرادیان کاهشی با TensorFlow
• 13. پیاده‌سازی گرادیان کاهشی با Theano
• 14. توزیع‌های احتمال شرطی و استقلال
• 15. مدل‌های گرافیکی احتمالی
• 16. شبکه‌های بیزی
• 17. مدل‌های مارکوف پنهان (HMM)
• 18. نمونه‌برداری از مدل‌های گرافیکی
• 19. روش‌های نمونه‌برداری مستقیم
• 20. نمونه‌برداری از توزیع‌های پیچیده
• 21. محدودیت‌های نمونه‌برداری کلاسیک
• 22. نیاز به روش‌های پیشرفته‌تر
• 23. معرفی نمونه‌برداری مبتنی بر گرادیان
• 24. مبانی حساب دیفرانسیل برای توابع تصادفی
• 25. مشتق‌گیری خودکار (Automatic Differentiation)
• 26. گرادیان توزیع‌های احتمال
• 27. توابع امتیاز (Score Functions)
• 28. Identity-based Gradient Estimation
• 29. REINFORCE Algorithm
• 30. نماینده‌های گرادیان (Gradient Estimators)
• 31. اهمیت و کاربردهای نماینده‌های گرادیان
• 32. مقایسه نماینده‌های گرادیان
• 33. Variance Reduction Techniques
• 34. کنترل واریانس در برآورد گرادیان
• 35. Control Variates
• 36. Importance Sampling for Variance Reduction
• 37. Pathwise Derivative Estimation
• 38. Reparameterization Trick
• 39. کاربرد Reparameterization Trick در شبکه‌های عصبی
• 40. شبکه‌های عصبی تولیدکننده (Generative Models)
• 41. مدل‌های متغیر پنهان (Latent Variable Models)
• 42. خودرمزگذارها (Autoencoders)
• 43. خودرمزگذار متغیر (Variational Autoencoders - VAEs)
• 44. آموزش VAEs با نمونه‌برداری مبتنی بر گرادیان
• 45. پیاده‌سازی VAEs با TensorFlow
• 46. پیاده‌سازی VAEs با Theano
• 47. مدل‌های انتشار (Diffusion Models)
• 48. مقدمه‌ای بر مدل‌های انتشار
• 49. نمونه‌برداری مبتنی بر گرادیان در مدل‌های انتشار
• 50. کاربردهای مدل‌های انتشار
• 51. تولید تصویر با مدل‌های انتشار
• 52. پردازش زبان طبیعی با مدل‌های انتشار
• 53. مدل‌های تولید متن
• 54. نمونه‌برداری از مدل‌های تولید متن
• 55. کاربردهای نمونه‌برداری مبتنی بر گرادیان در NLP
• 56. بهینه‌سازی سیاست در یادگیری تقویتی
• 57. شبکه‌های عصبی در یادگیری تقویتی
• 58. الگوریتم‌های مبتنی بر گرادیان سیاست
• 59. معرفی Actor-Critic Methods
• 60. پیاده‌سازی Actor-Critic با TensorFlow
• 61. پیاده‌سازی Actor-Critic با Theano
• 62. شبکه‌های مولد تخاصمی (GANs)
• 63. معماری GANs
• 64. آموزش GANs
• 65. چالش‌های آموزش GANs
• 66. نمونه‌برداری مبتنی بر گرادیان در GANs
• 67. کاربردهای GANs در تولید داده
• 68. بهبود کیفیت تصاویر تولیدی
• 69. مدل‌های مولد مبتنی بر فضا-زمان
• 70. کاربرد در تحلیل سری‌های زمانی
• 71. مدل‌سازی پیش‌بینی
• 72. نمونه‌برداری از مدل‌های پیش‌بینی
• 73. کاربرد در علوم زیستی
• 74. مدل‌سازی مولکولی
• 75. نمونه‌برداری از توزیع‌های مولکولی
• 76. کاربرد در اقتصاد
• 77. مدل‌سازی رفتار بازار
• 78. نمونه‌برداری از مدل‌های اقتصادی
• 79. بهینه‌سازی هایپرپارامتر با نمونه‌برداری مبتنی بر گرادیان
• 80. جستجوی شبکه‌ای (Grid Search)
• 81. جستجوی تصادفی (Random Search)
• 82. بهینه‌سازی بیزی (Bayesian Optimization)
• 83. نمونه‌برداری از توزیع هایپرپارامترها
• 84. کاربرد در تنظیم مدل‌های یادگیری عمیق
• 85. مطالعات موردی و کاربردهای پیشرفته
• 86. نمونه‌برداری مبتنی بر گرادیان در پردازش سیگنال
• 87. نمونه‌برداری در سیستم‌های توزیع‌شده
• 88. بهینه‌سازی مقیاس‌پذیر با نمونه‌برداری
• 89. مباحث پیشرفته در برآورد گرادیان
• 90. روش‌های تطبیقی (Adaptive Methods)
• 91. مقایسه روش‌های مختلف نمونه‌برداری مبتنی بر گرادیان
• 92. ارزیابی عملکرد و معیارهای سنجش
• 93. چالش‌ها و راهکارهای آینده