اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای جامع بر PyMC برای مهندسان یادگیری ماشین بیزی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای جامع بر PyMC برای مهندسان یادگیری ماشین بیزی

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

موضوع میانی: کاربرد PyMC در یادگیری ماشین بیزی

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری ماشین بیزی و PyMC
• 2. مفاهیم اصلی احتمال و آمار در PyMC
• 3. مدل های خطی بیزی در PyMC
• 4. رگرسیون خطی بیزی با PyMC
• 5. کاربرد رگرسیون خطی بیزی
• 6. مدل های لجستیک بیزی در PyMC
• 7. رگرسیون لجستیک بیزی با PyMC
• 8. کاربرد رگرسیون لجستیک بیزی
• 9. مدل های سری زمانی بیزی در PyMC
• 10. مدل های ARIMA بیزی
• 11. کاربرد مدل های سری زمانی بیزی
• 12. مدل های سلسله مراتبی بیزی در PyMC
• 13. مقدمه ای بر مدل های سلسله مراتبی
• 14. ساخت مدل های سلسله مراتبی در PyMC
• 15. کاربرد مدل های سلسله مراتبی
• 16. مدل های گوسی فرآیند در PyMC
• 17. مقدمه ای بر فرآیندهای گوسی
• 18. کاربرد فرآیندهای گوسی
• 19. مدل های شبکه بیزی در PyMC
• 20. مقدمه ای بر شبکه های بیزی
• 21. ساخت شبکه های بیزی در PyMC
• 22. کاربرد شبکه های بیزی
• 23. مدل های گرافیکی بیزی در PyMC
• 24. مقدمه ای بر مدل های گرافیکی
• 25. ساخت مدل های گرافیکی در PyMC
• 26. کاربرد مدل های گرافیکی
• 27. مدل های پنهان مارکوف در PyMC
• 28. مقدمه ای بر مدل های پنهان مارکوف
• 29. کاربرد مدل های پنهان مارکوف
• 30. مدل های استنباط بیزی در PyMC
• 31. روش های نمونه برداری MCMC
• 32. کاربرد روش های MCMC
• 33. روش های Variational Inference در PyMC
• 34. کاربرد Variational Inference
• 35. مدل های خودهمبستگی فضایی در PyMC
• 36. مقدمه ای بر مدل های فضایی
• 37. کاربرد مدل های فضایی
• 38. مدل های خودهمبستگی زمانی در PyMC
• 39. مقدمه ای بر مدل های زمانی
• 40. کاربرد مدل های زمانی
• 41. مدل های آماری تعمیم یافته در PyMC
• 42. مقدمه ای بر مدل های تعمیم یافته
• 43. کاربرد مدل های تعمیم یافته
• 44. مدل های رگرسیون کوانتایل بیزی در PyMC
• 45. کاربرد رگرسیون کوانتایل بیزی
• 46. مدل های انتخاب گسسته بیزی در PyMC
• 47. کاربرد مدل های انتخاب گسسته
• 48. مدل های داده های بقا بیزی در PyMC
• 49. کاربرد مدل های داده های بقا
• 50. مدل های تحلیل عاملی بیزی در PyMC
• 51. کاربرد تحلیل عاملی بیزی
• 52. مدل های تحلیل مسیر بیزی در PyMC
• 53. کاربرد تحلیل مسیر بیزی
• 54. مدل های مدل سازی معادلات ساختاری بیزی در PyMC
• 55. کاربرد مدل سازی معادلات ساختاری بیزی
• 56. مدل های مدل سازی مبتنی بر عامل در PyMC
• 57. کاربرد مدل های مبتنی بر عامل
• 58. مدل های یادگیری عمیق بیزی در PyMC
• 59. مقدمه ای بر یادگیری عمیق بیزی
• 60. شبکه های عصبی بیزی با PyMC
• 61. کاربرد شبکه های عصبی بیزی
• 62. مدل های شبکه های عصبی کانولوشنی بیزی در PyMC
• 63. کاربرد CNN های بیزی
• 64. مدل های شبکه های عصبی بازگشتی بیزی در PyMC
• 65. کاربرد RNN های بیزی
• 66. مدل های مدل سازی استنتاجی در PyMC
• 67. مقدمه ای بر مدل سازی استنتاجی
• 68. کاربرد مدل سازی استنتاجی
• 69. مدل های تفسیرپذیری مدل های بیزی در PyMC
• 70. روش های تفسیرپذیری
• 71. کاربرد تفسیرپذیری در مدل های بیزی
• 72. مدل های اعتبارسنجی و ارزیابی مدل های بیزی در PyMC
• 73. روش های اعتبارسنجی
• 74. کاربرد اعتبارسنجی در مدل های بیزی
• 75. مدل های بهینه سازی پارامتر در PyMC
• 76. روش های بهینه سازی
• 77. کاربرد بهینه سازی پارامتر
• 78. مدل های پیش بینی و تصمیم گیری بیزی در PyMC
• 79. روش های پیش بینی
• 80. کاربرد پیش بینی در مدل های بیزی
• 81. مدل های مدل سازی عدم قطعیت در PyMC
• 82. روش های مدل سازی عدم قطعیت
• 83. کاربرد عدم قطعیت در مدل های بیزی
• 84. مدل های مدل سازی داده های ناقص در PyMC
• 85. روش های مدل سازی داده های ناقص
• 86. کاربرد داده های ناقص
• 87. مدل های مدل سازی داده های حجیم در PyMC
• 88. روش های مدل سازی داده های حجیم
• 89. کاربرد داده های حجیم
• 90. مدل های مدل سازی داده های با ابعاد بالا در PyMC
• 91. روش های مدل سازی داده های با ابعاد بالا
• 92. کاربرد داده های با ابعاد بالا
• 93. مدل های مدل سازی داده های پیچیده در PyMC
• 94. روش های مدل سازی داده های پیچیده
• 95. کاربرد داده های پیچیده
• 96. مدل های مدل سازی سیستم های دینامیکی در PyMC
• 97. روش های مدل سازی سیستم های دینامیکی
• 98. کاربرد سیستم های دینامیکی
• 99. مدل های مدل سازی فرآیندهای تصادفی در PyMC
• 100. روش های مدل سازی فرآیندهای تصادفی