دوره نمونه گیری قابل برگشت در یادگیری ماشین بیزی به همراه فلش کارت بر روی فلش مموریجدید

سرفصل های دوره: 1. مقدمه ای بر یادگیری ماشین بیزی 2. مقدمه ای بر نمونه گیری 3. اهمیت نمونه گیری در یادگیری ماشین بیزی 4. مروری بر مفاهیم احتمالات بیزی 5. قضیه بیز 6. توزیع های پیشین و پسین 7. مدل های بیزی 8. مقدمه ای بر مدل های گرافیکی احتمالی 9. توزیع های احتمال گسسته 10. توزیع های احتمال پیوسته 11. انتگرال گیری و امید ریاضی 12. قضیه فاکتورگیری 13. جریان های بیزی 14. نیاز به روش های نمونه گیری 15. محدودیت های روش های تحلیلی 16. مقدمه ای بر نمونه گیری قابل برگشت (Reversible Jump MCMC) 17. چرا نمونه گیری قابل برگشت؟ 18. کاربرد نمونه گیری قابل برگشت 19. مقایسه با روش های MCMC سنتی 20. مفاهیم کلیدی در نمونه گیری قابل برگشت 21. مدل های با ابعاد متغیر 22. گذار بین مدل ها 23. فضاهای حالت مختلف 24. توابع انتقال 25. تعریف دقیق نمونه گیری قابل برگشت 26. الگوریتم نمونه گیری قابل برگشت 27. گام های الگوریتم 28. پذیرش یا رد انتقال 29. قوانین پذیرش 30. مفهوم "انتقال برگشت پذیر" 31. اهمیت برگشت پذیری 32. چگونه برگشت پذیری تضمین می شود؟ 33. طراحی توابع انتقال 34. فضاهای حالت مدل ها 35. فضاهای حالت با ابعاد مختلف 36. فضاهای حالت با ساختارهای مختلف 37. مثال هایی از مدل های با ابعاد متغیر 38. مدل های رگرسیون با تعداد متغیرهای ناشناخته 39. مدل های خوشه بندی با تعداد خوشه های ناشناخته 40. مدل های انتخاب مدل 41. مدل های انتخاب ساختار شبکه 42. ...