سپنتا کتاب اکسپرس
کتاب یادگیری عمیق از HMC تا NUTS در محیط Stan

کتاب یادگیری عمیق از HMC تا NUTS در محیط Stan

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 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

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.