مدلسازی بیزی با استفاده از شبکه های عصبی مصنوعی
مشخصات دوره
طول دوره: 16 ساعت
تعداد جلسات: 8 جلسه دو ساعته
زبان برنامه نویسی: در این دوره از زبان برنامه نویسی پایتون استفاده می گردد.
مدرس: دکتر مهدی شاداب فر
شرح دوره
در بسیاری از مسائل مهندسی و علوم، ما با سیستمها و پدیدههایی مواجه هستیم که رفتارشان پیچیده و غیرخطی است و دادههای موجود هم محدود و همراه با عدم قطعیت هستند. مدلهای بیزی بهعنوان ابزاری قدرتمند، امکان ترکیب دانش پیشین (فرضیات، تجربیات و مدلهای موجود) با دادههای واقعی را فراهم میکنند و به ما اجازه میدهند تا پیشبینیها و تصمیمگیریها را همراه با سنجش میزان عدم قطعیت انجام دهیم. به عبارت دیگر، مدلهای بیزی تنها یک جواب عددی ارائه نمیدهند، بلکه توزیع احتمالاتی پاسخها را نیز مشخص میکنند، که برای مسائل مهندسی و علمی حیاتی است. با این حال، محاسبه دقیق توزیعهای پسین (Posterior) در مسائل پیچیده معمولاً بسیار زمانبر است و نیاز به شبیهسازیهای گسترده و روشهای نمونهگیری پیچیده مانند MCMC دارد. اینجا است که شبکههای عصبی وارد عمل میشوند! با آموزش شبکههای عصبی روی دادههای شبیهسازی شده، میتوان استنتاج بیزی را «آمورتایز» کرد. یعنی پس از یک مرحله آموزش طولانی، شبکه عصبی میتواند برای دادههای جدید، توزیعهای پسین را به سرعت پیشبینی کند و به ما امکان میدهد تحلیل بیزی را در زمان واقعی یا با دادههای بسیار بزرگ انجام دهیم. در این دوره آموزشی اختصاصا به استفاده از شبکه های عصبی مصنوعی برای پیاده سازی مدلسازی بیزی می پردازیم و بهصورت عملی و گام به گام با این رویکرد ترکیبی خارق العاده آشنا می شویم.
این دوره برای چه کسانی مناسب است؟
✅ دانشجویان، پژوهشگران و اساتیدی که با مدلهای احتمالاتی و تحلیل عدم قطعیت سر و کار دارند.
✅ علاقهمندان به روشهای مبتنی بر داده و شبیهسازی.
✅ افرادی که میخواهند تحلیل بیزی سریع، دقیق و قابل اعتماد را در مسائل پیچیده انجام دهند.
پس از این دوره قادر خواهید بود:
✅ مدلهای بیزی را طراحی و پیادهسازی کنید و پارامترها را با دادههای واقعی بهروز کنید.
✅ از شبکههای عصبی برای تسریع و سادهسازی استنتاج بیزی استفاده کنید.
✅ تصمیمگیری مبتنی بر داده و عدم قطعیت را به شکل علمی و عملی پیادهسازی کنید.
محتوای دوره
جلسه ۱: مدل بیزی بدون MCMC مبتنی بر شبکه های عصبی مصنوعی
1.1. مفهوم Amortized Inference (یکبار آموزش، همیشه استفاده)
2.1. ساخت مدل بیزی با prior + simulator
3.1. اجرای مدل و گرفتن اولین posterior
4.1. بررسی کیفیت با SBC
جلسه 2: کار با توزیع های پسین چندقله ای و پیچیده
1.2. سختی کار با توزیع های پسین پیچیده
2.2. معرفی spline flowها
3.2. کار با یک مدل روی دادههای دو قلهای
4.2. ارزیابی و تحلیل کالیبراسیون
جلسه 3: تشخیص ناسازگاری مدل
1.3. مفهوم ناسازگاری مدل در یادگیری بیزی
2.3. استفاده از MMD برای مقایسه داده واقعی و داده مدل
3.3. تحلیل حساسیت
4.3. قضاوت در مورد مناسب یا نامناسب بودن مدل انتخاب شده
جلسه 4: تحلیل مدلشناختی با مدلسازی بیزی
1.4. ساخت simulator پیچیده
2.4. طراحی prior مناسب
3.4. تحلیل prior pushforward
4.4. ارزیابی پیش بینی توزیع پسین
جلسه 5: تخمین پسین برای دستگاههای معادلات دیفرانسیل (ODEs)
1.5. معرفی یک مدل بیزی برای یک ODE واقعی
2.5. ترکیب حل ODE با شبیهسازی
3.5. تخمین پارامترهای ناشناخته سیستم
4.5. مدیریت نویز و داده ناقص
جلسه 6: تحلیل مدلهای اپیدمیولوژی SIR با رویکرد بیزی
1.6. شبیهسازی دینامیکی یک اپیدمی با مدل SIR
2.6. تخمین پارامترهای اپیدمی (β ،γ ،…)
3.6. چالشهای دادههای واقعی اپیدمی
6.4.تحلیل عدمقطعیت در تصمیمهای بحرانی
جلسه 7: مقایسه مدلها
1.7. مفهوم شواهد مدل (model evidence)
2.7. طراحی شبکههای انتخاب مدل
3.7. مقایسه چند مدل شناختی
4.7. انتخاب بهترین مدل برای داده
جلسه 8: مقایسه سلسلهمراتبی مدلها
1.8. مفهوم مدلهای بیزی سلسلهمراتبی
2.8. ترکیب ساختار چندسطحی با مقایسه مدلها
3.8. انتخاب مدل در سطح فردی و گروهی
4.8. تحلیل نتایج یک مثال واقعی
ثبت نام در دوره
جهت ثبتنام، روی دکمه زیر کلیک کرده و فرم مربوطه را تکمیل و ارسال نمایید. پس از آن، همکاران ما در اسرع وقت از طریق ایمیل با شما تماس گرفته و راهنماییهای لازم را برای پرداخت شهریه و نهاییسازی ثبتنام ارائه خواهند داد.
ثبت نام در دوره
سبد خرید