کتاب صوتی یادگیری عمیق از HMC تا NUTS در محیط Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق از HMC تا NUTS در محیط Stan

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

موضوع میانی: نمونه‌گیری از طریق HMC و NUTS در Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی احتمالاتی و استنباط بیزی
• 2. مبانی احتمال و آمار برای مدل‌سازی
• 3. مفهوم پارامتر و تخمین پارامتر
• 4. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته
• 5. کاربرد مدل‌های خطی تعمیم‌یافته در حوزه‌های مختلف
• 6. نیاز به مدل‌های پیچیده‌تر: فراتر از مدل‌های خطی
• 7. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی
• 8. معماری‌های پایه شبکه‌های عصبی (MLP)
• 9. توابع فعال‌سازی در شبکه‌های عصبی
• 10. روش‌های بهینه‌سازی در شبکه‌های عصبی
• 11. پس‌انتشار خطا (Backpropagation)
• 12. تنظیم‌کننده‌ها و روش‌های جلوگیری از بیش‌برازش
• 13. شبکه‌های عصبی کانولوشنال (CNN)
• 14. کاربرد CNN در پردازش تصویر
• 15. شبکه‌های عصبی بازگشتی (RNN)
• 16. کاربرد RNN در پردازش زبان طبیعی
• 17. شبکه‌های حافظه طولانی کوتاه (LSTM) و واحدهای بازگشتی دروازه‌ای (GRU)
• 18. شبکه‌های عصبی ترنسفورمر (Transformer)
• 19. مقدمه‌ای بر زبان برنامه‌نویسی پایتون برای یادگیری ماشین
• 20. کتابخانه‌های ضروری: NumPy و Pandas
• 21. کتابخانه Matplotlib برای بصری‌سازی داده‌ها
• 22. کتابخانه Scikit-learn برای الگوریتم‌های کلاسیک یادگیری ماشین
• 23. مقدمه‌ای بر Stan و زبان آن
• 24. نصب و پیکربندی Stan
• 25. مبانی مدل‌سازی در Stan
• 26. تعریف مدل‌های احتمالاتی ساده در Stan
• 27. انواع توزیع‌های احتمالاتی در Stan
• 28. توابع چگالی احتمال (PDF) و توابع توزیع تجمعی (CDF)
• 29. استنباط بیزی: مفاهیم پایه
• 30. قضیه بیز و کاربرد آن
• 31. تعیین پیشین‌ها (Priors)
• 32. تعیین توابع درست‌نمایی (Likelihoods)
• 33. محاسبه پسین‌ها (Posteriors)
• 34. نکات عملی در انتخاب پیشین‌ها
• 35. روش‌های نمونه‌برداری از توزیع پسین
• 36. معرفی روش‌های مونت کارلو زنجیره مارکوف (MCMC)
• 37. مقدمه‌ای بر الگوریتم‌های نمونه‌گیری نمونه‌گیری از خانواده Metropolis-Hastings
• 38. الگوریتم Gibbs Sampling
• 39. معرفی الگوریتم نمونه‌گیری گرادیان هماهنگ (HMC)
• 40. مبانی نظری HMC
• 41. کاربرد HMC در مدل‌سازی‌های پیچیده
• 42. مزایای HMC نسبت به روش‌های سنتی MCMC
• 43. معرفی الگوریتم نمونه‌گیری از آخرین گام (NUTS)
• 44. مبانی نظری NUTS
• 45. مقایسه NUTS با HMC
• 46. کاربرد NUTS در مدل‌سازی‌های مقیاس‌پذیر
• 47. پیاده‌سازی مدل‌های پیچیده در Stan با استفاده از HMC و NUTS
• 48. مدل‌سازی رگرسیون خطی بیزی
• 49. مدل‌سازی رگرسیون لجستیک بیزی
• 50. مدل‌سازی سری‌های زمانی بیزی
• 51. مدل‌سازی مدل‌های سلسله‌مراتبی بیزی
• 52. کاربرد مدل‌های سلسله‌مراتبی در تحلیل داده‌های گروه‌بندی شده
• 53. مدل‌سازی مدل‌های مخلوط بیزی
• 54. اعتبارسنجی مدل‌های بیزی
• 55. شاخص‌های ارزیابی مدل‌های بیزی
• 56. تحلیل حساسیت به پیشین‌ها
• 57. تفسیر نتایج مدل‌های بیزی
• 58. بصری‌سازی نتایج استنباط بیزی
• 59. نکات پیشرفته در مدل‌سازی با Stan
• 60. بهینه‌سازی کد Stan
• 61. استفاده از داده‌های بزرگ در Stan
• 62. مدل‌سازی توزیع‌های پیچیده
• 63. مدل‌سازی توابع چگالی ترکیبی (Mixture Models)
• 64. کاربرد در حوزه‌های پزشکی و بهداشتی
• 65. مدل‌سازی در علوم اجتماعی و اقتصادی
• 66. مدل‌سازی در علوم محیطی
• 67. مدل‌سازی در علوم داده و هوش مصنوعی
• 68. ملاحظات اخلاقی در مدل‌سازی و تحلیل داده‌ها
• 69. حفظ حریم خصوصی و امنیت داده‌ها
• 70. شفافیت در مدل‌سازی و گزارش‌دهی
• 71. تبعیض الگوریتمی و راهکارهای مقابله
• 72. تأثیر مدل‌سازی بر تصمیم‌گیری‌های کلان
• 73. مبانی نظریه بازی‌ها در مدل‌سازی
• 74. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 75. کاربرد یادگیری تقویتی در مدل‌سازی‌های بیزی
• 76. روش‌های پیشرفته در استنباط بیزی
• 77. روش‌های variational inference (استنتاج متغیر)
• 78. مقایسه variational inference با MCMC
• 79. روش‌های مدل‌سازی بیزی پویا
• 80. مدل‌سازی بیزی برای داده‌های ساختاریافته
• 81. مدل‌سازی بیزی برای داده‌های غیرساختاریافته
• 82. مقدمه‌ای بر شبکه‌های بیزی
• 83. کاربرد شبکه‌های بیزی در استنباط
• 84. ترکیب شبکه‌های بیزی با Stan
• 85. مقدمه‌ای بر مدل‌های گرافیکی احتمالی
• 86. کاربرد مدل‌های گرافیکی در یادگیری عمیق
• 87. ملاحظات پیاده‌سازی و کارایی در Stan
• 88. استفاده از ابزارهای کمکی برای Stan
• 89. کتابخانه‌های پایتون برای تعامل با Stan (مانند CmdStanPy)
• 90. پروژه‌های عملی با استفاده از Stan، HMC و NUTS
• 91. جمع‌بندی و چشم‌انداز آینده مدل‌سازی بیزی