فلش‌کارت‌های آموزشی کاربرد PyMC برای مدل‌سازی بیزی در یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد PyMC برای مدل‌سازی بیزی در یادگیری ماشین

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

موضوع میانی: کاربرد PyMC در یادگیری ماشین بیزی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی بیزی و PyMC
• 2. مفاهیم کلیدی احتمال بیزی
• 3. قضیه بیز و کاربردهای آن
• 4. متغیرهای تصادفی و توزیع‌های احتمال
• 5. توزیع‌های گسسته رایج (دوجمله‌ای، پواسون)
• 6. توزیع‌های پیوسته رایج (نرمال، نمایی، یکنواخت)
• 7. مفهوم تابع درست‌نمایی (Likelihood)
• 8. مفهوم توزیع پیشین (Prior)
• 9. مفهوم توزیع پسین (Posterior)
• 10. روش‌های نمونه‌برداری در مدل‌سازی بیزی
• 11. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 12. الگوریتم گیبس (Gibbs Sampling)
• 13. الگوریتم متروپولیس-هستینگز (Metropolis-Hastings)
• 14. مقدمه‌ای بر کتابخانه PyMC
• 15. نصب و راه‌اندازی PyMC
• 16. ساختار اصلی مدل‌ها در PyMC
• 17. تعریف متغیرهای تصادفی در PyMC
• 18. تعریف توزیع‌های پیشین
• 19. تعریف توزیع‌های درست‌نمایی
• 20. نمونه‌برداری از توزیع پسین با PyMC
• 21. تحلیل نتایج مدل‌های PyMC
• 22. نمودارهای تراکم و هیستوگرام توزیع پسین
• 23. نمودارهای سری زمانی نمونه‌ها
• 24. آمار خلاصه توزیع پسین (میانگین، میانه، انحراف معیار)
• 25. بررسی همگرایی الگوریتم‌های MCMC
• 26. معیارهای ارزیابی همگرایی (R-hat, ESS)
• 27. مدل‌سازی رگرسیون خطی بیزی با PyMC
• 28. رگرسیون خطی ساده بیزی
• 29. رگرسیون خطی چندگانه بیزی
• 30. مدل‌سازی رگرسیون لجستیک بیزی
• 31. کاربرد رگرسیون لجستیک در طبقه‌بندی
• 32. مدل‌سازی سری زمانی بیزی با PyMC
• 33. مدل‌های ARMA بیزی
• 34. مدل‌های ARIMA بیزی
• 35. مدل‌سازی شبکه‌های بیزی با PyMC
• 36. مقدمه‌ای بر شبکه‌های بیزی
• 37. ساخت شبکه‌های بیزی ساده
• 38. استنتاج در شبکه‌های بیزی
• 39. مدل‌سازی سلسله مراتبی بیزی
• 40. ساخت مدل‌های سلسله مراتبی در PyMC
• 41. مزایای مدل‌سازی سلسله مراتبی
• 42. کاربرد مدل‌های سلسله مراتبی در تحلیل داده
• 43. مدل‌سازی گوسین فرآیند (Gaussian Process) با PyMC
• 44. مقدمه‌ای بر گوسین فرآیند
• 45. کاربرد گوسین فرآیند در رگرسیون و تخمین
• 46. مدل‌سازی شبکه‌های عصبی بیزی با PyMC
• 47. مقدمه‌ای بر شبکه‌های عصبی بیزی
• 48. ساخت شبکه‌های عصبی ساده در PyMC
• 49. آموزش شبکه‌های عصبی بیزی
• 50. ارزیابی و تفسیر مدل‌های شبکه‌های عصبی بیزی
• 51. مدل‌سازی عامل پنهان (Latent Factor) با PyMC
• 52. مفهوم عامل پنهان
• 53. کاربرد عامل پنهان در تحلیل داده
• 54. مدل‌سازی مدل‌های خطی تعمیم‌یافته (GLM) بیزی
• 55. توزیع‌های خانواده نمایی
• 56. ساخت GLM در PyMC
• 57. مدل‌سازی پیش‌بینی بیزی
• 58. استفاده از مدل‌های بیزی برای پیش‌بینی
• 59. ارزیابی دقت پیش‌بینی‌ها
• 60. تکنیک‌های پیشرفته نمونه‌برداری
• 61. نمونه‌برداری با اهمیت (Importance Sampling)
• 62. روش‌های MCMC پیشرفته
• 63. استفاده از PyMC برای تحلیل داده‌های اکتشافی
• 64. شناسایی الگوها و روابط در داده‌ها
• 65. ساخت مدل‌های سفارشی در PyMC
• 66. توابع توزیع سفارشی
• 67. ساخت مدل‌های پیچیده با PyMC
• 68. بهینه‌سازی مدل‌های بیزی
• 69. روش‌های تنظیم ابرپارامترها
• 70. اعتبارسنجی متقابل مدل‌های بیزی
• 71. مقایسه مدل‌های بیزی مختلف
• 72. مقدمه‌ای بر یادگیری تقویتی بیزی
• 73. مفاهیم یادگیری تقویتی
• 74. کاربرد رویکردهای بیزی در یادگیری تقویتی
• 75. مدل‌سازی داده‌های مکانی بیزی
• 76. مقدمه‌ای بر مدل‌های مکانی
• 77. کاربرد PyMC در تحلیل داده‌های مکانی
• 78. مدل‌سازی داده‌های زمانی-مکانی بیزی
• 79. ترکیب مفاهیم زمان و مکان
• 80. کاربرد PyMC در داده‌های زمانی-مکانی
• 81. مدل‌سازی استنتاج علّی بیزی
• 82. مقدمه‌ای بر استنتاج علّی
• 83. کاربرد مدل‌های بیزی در تحلیل علّی
• 84. مقدمه‌ای بر مدل‌سازی بیزی در علوم زیستی
• 85. کاربرد PyMC در زیست‌شناسی مولکولی
• 86. مدل‌سازی بیزی در علوم اقتصادی (با رعایت چارچوب بانکی اسلامی)
• 87. مدل‌سازی رفتار مصرف‌کننده بیزی
• 88. مدل‌سازی پیش‌بینی بازار بیزی
• 89. مدل‌سازی بیزی در علوم اجتماعی (با رعایت چارچوب خانواده ایرانی-اسلامی)
• 90. تحلیل نظرسنجی‌ها و پیمایش‌ها
• 91. مدل‌سازی شبکه‌های اجتماعی بیزی
• 92. مدل‌سازی بیزی در علوم مهندسی
• 93. بهینه‌سازی سیستم‌های مهندسی
• 94. تحلیل قابلیت اطمینان
• 95. مباحث پیشرفته در PyMC
• 96. توسعه پلاگین‌ها برای PyMC
• 97. استفاده از PyMC با ابزارهای دیگر (مانند ArviZ)
• 98. پروژه‌های عملی با PyMC
• 99. تحلیل داده‌های واقعی با استفاده از PyMC
• 100. ساخت داشبوردهای تعاملی برای نتایج بیزی