دوره استنتاج تقریبی بیزی در علم داده و یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استنتاج تقریبی بیزی در علم داده و یادگیری ماشین

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

موضوع میانی: استنتاج تقریبی بیزی (Approximate Bayesian Inference)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استنتاج بیزی
• 2. اصول احتمال شرطی و قضیه بیز
• 3. متغیرهای تصادفی و توزیع‌های احتمالی
• 4. توزیع‌های پیشین و پسین
• 5. انتخاب توزیع پیشین مناسب
• 6. توزیع‌های پیشین رایج (Uniform, Beta, Gamma)
• 7. توزیع‌های پیشین نرمال و گوسی
• 8. استنتاج بیزی برای پارامترهای گوسی
• 9. استنتاج بیزی برای پارامترهای برنولی
• 10. استنتاج بیزی برای پارامترهای پواسون
• 11. استنتاج بیزی برای پارامترهای نمایی
• 12. استنتاج بیزی برای پارامترهای چندجمله‌ای
• 13. مدل‌های خطی بیزی
• 14. رگرسیون خطی بیزی
• 15. طبقه‌بندی بیزی
• 16. طبقه‌بندی‌کننده بیز ساده (Naive Bayes)
• 17. کاربرد Naive Bayes در متن‌کاوی
• 18. کاربرد Naive Bayes در طبقه‌بندی تصویر
• 19. مدل‌های گرافیکی بیزی
• 20. شبکه‌های بیزی
• 21. ساخت شبکه‌های بیزی
• 22. استنتاج در شبکه‌های بیزی
• 23. روش‌های نمونه‌برداری مونت کارلو در زنجیره مارکوف (MCMC)
• 24. نمونه‌برداری گیبس
• 25. پیاده‌سازی MCMC در پایتون
• 26. مقدمه‌ای بر یادگیری ماشین بیزی
• 27. ماشین‌های بردار پشتیبان بیزی
• 28. شبکه‌های عصبی بیزی
• 29. یادگیری عمیق بیزی
• 30. مدل‌های پنهان مارکوف بیزی
• 31. مدل‌های موضوعی بیزی (LDA)
• 32. کاربرد LDA در خوشه‌بندی اسناد
• 33. مقدمه‌ای بر استنتاج تقریبی
• 34. تقریب واریانس (Variational Inference)
• 35. روش‌های مبتنی بر نمونه‌برداری (Monte Carlo)
• 36. استنتاج تقریبی برای شبکه‌های بیزی
• 37. استنتاج تقریبی برای مدل‌های پیچیده
• 38. روش‌های بهینه‌سازی تقریبی
• 39. کاربرد استنتاج تقریبی در سیستم‌های توصیه‌گر
• 40. استنتاج تقریبی در پردازش زبان طبیعی
• 41. استنتاج تقریبی در بینایی ماشین
• 42. استنتاج تقریبی در اقتصاد سنجی
• 43. استنتاج تقریبی در علوم زیستی
• 44. استنتاج تقریبی در فیزیک
• 45. استنتاج تقریبی در مهندسی
• 46. مقدمه‌ای بر روش‌های بهینه‌سازی
• 47. بهینه‌سازی خطی
• 48. بهینه‌سازی غیرخطی
• 49. بهینه‌سازی مقید
• 50. الگوریتم‌های بهینه‌سازی
• 51. بهینه‌سازی گرادیان نزولی
• 52. بهینه‌سازی تصادفی گرادیان نزولی
• 53. بهینه‌سازی دسته‌ای گرادیان نزولی
• 54. بهینه‌سازی با مومنتوم
• 55. بهینه‌سازی Adam
• 56. بهینه‌سازی RMSprop
• 57. بهینه‌سازی Adagrad
• 58. تنظیم نرخ یادگیری
• 59. تنظیم ابرپارامترها
• 60. اعتبارسنجی متقابل
• 61. تنظیم رگولاریزاسیون (L1, L2)
• 62. بیش‌برازش و کم‌برازش
• 63. روش‌های جلوگیری از بیش‌برازش
• 64. حذف ویژگی (Feature Selection)
• 65. استخراج ویژگی (Feature Extraction)
• 66. مقدمه‌ای بر داده‌کاوی
• 67. پاکسازی داده‌ها
• 68. پیش‌پردازش داده‌ها
• 69. کاوش الگوهای تکرارشونده
• 70. قوانین وابستگی
• 71. خوشه‌بندی (Clustering)
• 72. الگوریتم K-Means
• 73. خوشه‌بندی سلسله مراتبی
• 74. ارزیابی مدل‌های خوشه‌بندی
• 75. مقدمه‌ای بر یادگیری تقویتی
• 76. عناصر یادگیری تقویتی
• 77. یادگیری مبتنی بر ارزش
• 78. یادگیری مبتنی بر سیاست
• 79. یادگیری ترکیبی
• 80. یادگیری عمیق تقویتی
• 81. کاربرد یادگیری تقویتی در رباتیک
• 82. کاربرد یادگیری تقویتی در بازی‌ها
• 83. کاربرد یادگیری تقویتی در مالی
• 84. کاربرد یادگیری تقویتی در بهینه‌سازی سیستم‌ها
• 85. مقدمه‌ای بر ارزیابی مدل‌های یادگیری ماشین
• 86. معیارهای ارزیابی طبقه‌بندی (Accuracy, Precision, Recall, F1-Score)
• 87. منحنی ROC و AUC
• 88. معیارهای ارزیابی رگرسیون (MSE, MAE, R-squared)
• 89. مقدمه‌ای بر مهندسی ویژگی در علم داده
• 90. ایجاد ویژگی‌های جدید
• 91. تبدیل ویژگی‌ها
• 92. استانداردسازی و نرمال‌سازی داده‌ها
• 93. مدیریت داده‌های گمشده
• 94. شناسایی و مدیریت داده‌های پرت
• 95. استفاده از کتابخانه‌های علم داده در پایتون (NumPy, Pandas, SciPy)
• 96. مصورسازی داده‌ها با Matplotlib و Seaborn
• 97. مقدمه‌ای بر اصول اخلاقی در علم داده
• 98. حریم خصوصی داده‌ها
• 99. سوگیری در الگوریتم‌ها
• 100. مسئولیت‌پذیری در استفاده از داده‌ها