دوره بهبود مهارت‌ها در پیاده‌سازی مدل‌های پیچیده با Gibbs Sampling همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهبود مهارت‌ها در پیاده‌سازی مدل‌های پیچیده با Gibbs Sampling

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

موضوع میانی: نمونه‌گیری Gibbs در JAGS

📋 سرفصل‌های دوره

• 1. مبانی احتمال و آمار برای مدل‌سازی
• 2. مقدمه‌ای بر زنجیره‌های مارکوف
• 3. مفهوم فضای حالت و فضای مشاهده
• 4. مقدمه‌ای بر نمونه‌برداری و شبیه‌سازی
• 5. نیاز به روش‌های نمونه‌برداری پیشرفته
• 6. معرفی روش مونت کارلو
• 7. مفاهیم اساسی زنجیره‌های مارکوف در زمان گسسته
• 8. زنجیره‌های مارکوف در زمان پیوسته
• 9. مقدمه‌ای بر مدل‌های گرافیکی
• 10. مدل‌های گرافیکی بیزی
• 11. مدل‌های گرافیکی مارکوف
• 12. پیاده‌سازی اولیه مدل‌های گرافیکی
• 13. نیاز به روش‌های استنتاج در مدل‌های پیچیده
• 14. مقدمه‌ای بر استنتاج بیزی
• 15. قضیه بیز و کاربردهای آن
• 16. مفاهیم توزیع پیشین و پسین
• 17. توزیع‌های پیشین متداول
• 18. توزیع‌های پسین متداول
• 19. محدودیت‌های استنتاج تحلیلی
• 20. مقدمه‌ای بر روش‌های نمونه‌برداری از توزیع‌های پسین
• 21. نمونه‌برداری از توزیع‌های مستقل
• 22. نمونه‌برداری از توزیع‌های وابسته
• 23. مقدمه‌ای بر نمونه‌برداری گیبس
• 24. اصول و مبانی نمونه‌برداری گیبس
• 25. الگوریتم نمونه‌برداری گیبس
• 26. مراحل پیاده‌سازی نمونه‌برداری گیبس
• 27. مثال‌های ساده پیاده‌سازی گیبس
• 28. پیاده‌سازی گیبس برای مدل‌های ساده
• 29. مدل‌های رگرسیون خطی با گیبس
• 30. مدل‌های رگرسیون لجستیک با گیبس
• 31. مدل‌های خطی تعمیم‌یافته با گیبس
• 32. مدل‌های پواسون با گیبس
• 33. مدل‌های دوجمله‌ای با گیبس
• 34. مدل‌های طبقه‌بندی با گیبس
• 35. مدل‌های سری زمانی ساده با گیبس
• 36. مدل‌های پنهان مارکوف (HMM)
• 37. پیاده‌سازی HMM با گیبس
• 38. مدل‌های موضوعی (Topic Models)
• 39. پیاده‌سازی مدل‌های موضوعی با گیبس
• 40. مدل‌های طبقه‌بندی سلسله‌مراتبی با گیبس
• 41. مدل‌های شبکه‌های عصبی بیزی
• 42. پیاده‌سازی شبکه‌های عصبی بیزی با گیبس
• 43. مدل‌های یادگیری ماشین با گیبس
• 44. مدل‌های خوشه‌بندی با گیبس
• 45. مدل‌های پیش‌بینی با گیبس
• 46. ارزیابی همگرایی در نمونه‌برداری گیبس
• 47. معیارهای همگرایی
• 48. آزمون‌های تشخیص همگرایی
• 49. تکنیک‌های بهبود همگرایی
• 50. کاهش همبستگی بین متغیرها
• 51. تنظیم پارامترهای الگوریتم
• 52. نمونه‌برداری گیبس در ابعاد بالا
• 53. چالش‌های نمونه‌برداری در ابعاد بالا
• 54. راهکارهای مواجهه با ابعاد بالا
• 55. مقدمه‌ای بر مدل‌های پیشرفته‌تر
• 56. روش‌های MCMC دیگر
• 57. نمونه‌برداری از طریق زنجیره مونت کارلو (MCMC)
• 58. روش پذیرش-رد (Metropolis-Hastings)
• 59. تفاوت‌های گیبس و Metropolis-Hastings
• 60. پیاده‌سازی Metropolis-Hastings
• 61. کاربرد گیبس در مدل‌های آماری پیشرفته
• 62. مدل‌های آماری بیزی
• 63. استنتاج بیزی در مدل‌های پیچیده
• 64. مدل‌سازی داده‌های مشاهده‌ای
• 65. مدل‌سازی داده‌های پنهان
• 66. مدل‌سازی داده‌های پرت
• 67. مدل‌سازی داده‌های گمشده
• 68. کاربرد در علوم داده
• 69. کاربرد در اقتصادسنجی
• 70. کاربرد در علوم زیستی
• 71. کاربرد در علوم اجتماعی
• 72. کاربرد در پردازش سیگنال
• 73. کاربرد در بینایی ماشین
• 74. کاربرد در پردازش زبان طبیعی
• 75. روش‌های بهینه‌سازی پارامترها
• 76. ارزیابی مدل‌های پیاده‌سازی شده
• 77. مقایسه مدل‌های مختلف
• 78. محدودیت‌های روش نمونه‌برداری گیبس
• 79. نکات عملی در پیاده‌سازی
• 80. نرم‌افزارهای آماری برای MCMC
• 81. کتابخانه‌های پایتون برای MCMC
• 82. راهنمای عیب‌یابی در پیاده‌سازی
• 83. انتخاب توزیع پیشین مناسب
• 84. اعتبارسنجی مدل با داده‌های واقعی
• 85. مطالعات موردی پیشرفته
• 86. پروژه‌های عملی با نمونه‌برداری گیبس