دوره مروری جامع بر Variational Inference و مقایسه با MCMC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مروری جامع بر Variational Inference و مقایسه با MCMC

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

موضوع میانی: Variational Inference

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استنتاج متغیر (Variational Inference)
• 2. مبانی نظری استنتاج متغیر
• 3. توزیع‌های تقریبی در استنتاج متغیر
• 4. معیار واگرایی KL (Kullback-Leibler Divergence)
• 5. هدف‌گذاری در استنتاج متغیر: کمینه‌سازی واگرایی KL
• 6. روش‌های بهینه‌سازی در استنتاج متغیر
• 7. گرادیان‌های استنتاج متغیر
• 8. روش نمونه‌برداری مجدد (Reparameterization Trick)
• 9. معرفی نمونه‌برداری مجدد برای توزیع گوسی
• 10. کاربرد نمونه‌برداری مجدد برای توزیع‌های پیچیده‌تر
• 11. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 12. مبانی نظری MCMC
• 13. دینامیک مارکوف و توزیع ایستای آن
• 14. همگرایی زنجیره‌های مارکوف
• 15. معیارهای ارزیابی همگرایی در MCMC
• 16. معرفی الگوریتم Metropolis-Hastings
• 17. مراحل الگوریتم Metropolis-Hastings
• 18. انتخاب تابع پیشنهاد (Proposal Function)
• 19. معیارهای پذیرش در Metropolis-Hastings
• 20. محدودیت‌های الگوریتم Metropolis-Hastings
• 21. معرفی الگوریتم نمونه‌گیر گیبس (Gibbs Sampler)
• 22. مراحل نمونه‌گیر گیبس
• 23. شرایط لازم برای استفاده از نمونه‌گیر گیبس
• 24. مزایای نمونه‌گیر گیبس نسبت به Metropolis-Hastings
• 25. معایب نمونه‌گیر گیبس
• 26. مقایسه کلی استنتاج متغیر و MCMC
• 27. کاربردهای استنتاج متغیر در یادگیری ماشین
• 28. مدل‌های گرافیکی احتمالی (PGMs)
• 29. استنتاج متغیر در مدل‌های گرافیکی
• 30. استنتاج متغیر برای مدل‌های بیزی خطی
• 31. استنتاج متغیر برای مدل‌های موضوعی (Topic Models)
• 32. استنتاج متغیر برای مدل‌های تولیدی (Generative Models)
• 33. مدل‌های تولیدی با متغیرهای پنهان
• 34. استنتاج متغیر برای شبکه‌های عصبی بیزی
• 35. کاربردهای MCMC در یادگیری ماشین
• 36. MCMC برای مدل‌های بیزی
• 37. MCMC برای مدل‌های گرافیکی
• 38. MCMC برای مدل‌های آماری پیچیده
• 39. MCMC برای استنتاج پارامترها
• 40. MCMC برای تخمین توزیع پسین
• 41. MCMC برای مدل‌های سری زمانی
• 42. MCMC برای مدل‌های مکانی-زمانی
• 43. MCMC در شبکه‌های عصبی بیزی
• 44. مبانی استنتاج متغیر در یادگیری عمیق
• 45. شبکه‌های عصبی متغیر (Variational Autoencoders - VAEs)
• 46. ساختار VAEs
• 47. تابع هزینه در VAEs
• 48. آموزش VAEs
• 49. کاربرد VAEs در تولید داده
• 50. تولید تصاویر با VAEs
• 51. تولید متن با VAEs
• 52. استنتاج متغیر برای مدل‌های پیشرفته
• 53. مقدمه‌ای بر استنتاج متغیر معکوس (Inverse Variational Inference)
• 54. استنتاج متغیر در شبکه‌های مولد تخاصمی (GANs)
• 55. استنتاج متغیر برای مدل‌های انتشار (Diffusion Models)
• 56. مقدمه‌ای بر MCMC در یادگیری عمیق
• 57. MCMC برای مدل‌های مولد عمیق
• 58. MCMC برای نمونه‌برداری از توزیع‌های پیچیده
• 59. MCMC در شبکه‌های عصبی پیشرفته
• 60. کاربردهای MCMC در بهینه‌سازی بیزی
• 61. بهینه‌سازی بیزی با استفاده از MCMC
• 62. مقایسه پیشرفته VAEs و GANs
• 63. مقایسه پیشرفته VAEs و Diffusion Models
• 64. مقایسه پیشرفته MCMC و استنتاج متغیر در مسائل پیچیده
• 65. موضوعات پیشرفته در استنتاج متغیر
• 66. استنتاج متغیر با استفاده از شبکه‌های عصبی عمیق
• 67. استنتاج متغیر برای مدل‌های پویا
• 68. روش‌های پیشرفته بهینه‌سازی در استنتاج متغیر
• 69. موضوعات پیشرفته در MCMC
• 70. MCMC برای مدل‌های غیر ایستا
• 71. روش‌های نمونه‌گیری پیشرفته در MCMC
• 72. MCMC برای استنتاج در زمان واقعی
• 73. ارزیابی و اعتبارسنجی مدل‌های استنتاج متغیر
• 74. ارزیابی و اعتبارسنجی مدل‌های MCMC
• 75. کاربردهای عملی استنتاج متغیر در ایران
• 76. کاربردهای عملی MCMC در ایران
• 77. استنتاج متغیر در پردازش زبان طبیعی
• 78. MCMC در پردازش زبان طبیعی
• 79. استنتاج متغیر در بینایی ماشین
• 80. MCMC در بینایی ماشین
• 81. استنتاج متغیر در سیستم‌های توصیه‌گر
• 82. MCMC در سیستم‌های توصیه‌گر
• 83. استنتاج متغیر در مدل‌سازی داده‌های حجیم
• 84. MCMC در مدل‌سازی داده‌های حجیم
• 85. استنتاج متغیر در تحلیل سری‌های زمانی مالی
• 86. MCMC در تحلیل سری‌های زمانی مالی
• 87. استنتاج متغیر در مدل‌سازی زیست‌شناسی محاسباتی
• 88. MCMC در مدل‌سازی زیست‌شناسی محاسباتی
• 89. استنتاج متغیر در علوم اعصاب محاسباتی
• 90. MCMC در علوم اعصاب محاسباتی
• 91. استنتاج متغیر در مدل‌سازی اکتشافات علمی
• 92. MCMC در مدل‌سازی اکتشافات علمی
• 93. ملاحظات پیاده‌سازی استنتاج متغیر
• 94. ملاحظات پیاده‌سازی MCMC
• 95. مروری بر کتابخانه‌های نرم‌افزاری برای استنتاج متغیر
• 96. مروری بر کتابخانه‌های نرم‌افزاری برای MCMC
• 97. چالش‌ها و فرصت‌های آینده در استنتاج متغیر
• 98. چالش‌ها و فرصت‌های آینده در MCMC
• 99. نتیجه‌گیری و جمع‌بندی مباحث