دوره فهم عمیق MCMC در حل مسائل جستجوی مدل به همراه فلش کارت بر روی فلش مموریجدید

سرفصل های دوره: 1. مقدمه ای بر MCMC 2. مقدمه ای بر جستجوی مدل 3. چرا MCMC برای جستجوی مدل؟ 4. مفاهیم اساسی احتمال 5. متغیرهای تصادفی 6. توزیع احتمال 7. توزیع های گسسته 8. توزیع های پیوسته 9. امید ریاضی و واریانس 10. قضیه بیز 11. قانون احتمال کل 12. قانون احتمال شرطی 13. قضیه بیز برای استنتاج 14. مقدمه ای بر زنجیره مارکوف 15. حالت ها و گذارها 16. ماتریس گذار 17. زنجیره مارکوف زمان ناهمگن 18. زنجیره مارکوف زمان همگن 19. توزیع پایدار (Steady-state distribution) 20. قضیه ارگودیک 21. حالت های بازگشتی و گذرا 22. قضیه مارکوف 23. مقدمه ای بر الگوریتم های MCMC 24. ایده اصلی MCMC 25. چرا MCMC؟ مزایا و معایب 26. الگوریتم های نمونه برداری اساسی 27. نمونه برداری تبهی (Gibbs Sampling) 28. الگوریتم Metropolis-Hastings 29. پیاده سازی Metropolis-Hastings 30. مفهوم تابع پیشنهاد (Proposal Function) 31. انتخاب تابع پیشنهاد مناسب 32. مفهوم تابع احتمال هدف (Target Probability Distribution) 33. مفهوم نسبت پذیرش (Acceptance Ratio) 34. مراحل الگوریتم Metropolis-Hastings 35. مزایای Gibbs Sampling 36. معایب Gibbs Sampling 37. مزایای Metropolis-Hastings 38. معایب Metropolis-Hastings 39. همگرایی زنجیره های مارکوف 40. مفهوم همگرایی 41. معیارهای همگرایی 42. تست های همگرایی (Convergence Diagnostics) 43. نمودارهایtrace (Trace Plots) 44. ...