اپلیکیشن اندرویدی فلش‌کارت آموزشی **درک عمیق مدل‌سازی بیزی از طریق PyMC**

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره **درک عمیق مدل‌سازی بیزی از طریق PyMC**

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

موضوع میانی: کاربرد PyMC در مدل‌سازی بیزی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی بیزی
• 2. اصول احتمال شرطی و قضیه بیز
• 3. آشنایی با مفاهیم احتمالات پیشین و پسین
• 4. توزیع‌های احتمال گسسته و پیوسته
• 5. توزیع‌های پیشین رایج و کاربردهای آن‌ها
• 6. توزیع‌های پسین رایج و ویژگی‌های آن‌ها
• 7. آشنایی با PyMC و نصب آن
• 8. ساختار اصلی مدل‌های PyMC
• 9. تعریف متغیرهای تصادفی در PyMC
• 10. تعریف توزیع‌های پیشین در PyMC
• 11. تعریف توزیع‌های پسین در PyMC
• 12. نمونه‌گیری از توزیع‌های پسین
• 13. مفاهیم اساسی زنجیره مارکوف مونت کارلو (MCMC)
• 14. الگوریتم‌های نمونه‌گیری Metropolis-Hastings
• 15. الگوریتم نمونه‌گیری Gibbs
• 16. نکات عملی در اجرای MCMC
• 17. ارزیابی همگرایی مدل‌های MCMC
• 18. معیارهای ارزیابی همگرایی (R-hat، ESS)
• 19. تجزیه و تحلیل نتایج نمونه‌گیری
• 20. مصورسازی نتایج مدل‌های بیزی
• 21. تفسیر احتمالات پیشین و پسین
• 22. مدل‌سازی رگرسیون خطی ساده بیزی
• 23. رگرسیون خطی چندگانه بیزی
• 24. مدل‌سازی داده‌های طبقه‌بندی با رگرسیون لجستیک بیزی
• 25. کاربرد PyMC در مدل‌سازی رگرسیون خطی
• 26. پیاده‌سازی رگرسیون خطی ساده در PyMC
• 27. پیاده‌سازی رگرسیون خطی چندگانه در PyMC
• 28. پیاده‌سازی رگرسیون لجستیک بیزی در PyMC
• 29. مدل‌سازی سری‌های زمانی با رویکرد بیزی
• 30. مدل‌های ARIMA بیزی
• 31. مدل‌های حالت‌فضایی بیزی
• 32. کاربرد PyMC در مدل‌سازی سری‌های زمانی
• 33. پیاده‌سازی مدل‌های ARIMA بیزی در PyMC
• 34. پیاده‌سازی مدل‌های حالت‌فضایی بیزی در PyMC
• 35. مدل‌سازی سلسله‌مراتبی بیزی
• 36. مفاهیم مدل‌های سلسله‌مراتبی
• 37. مزایای مدل‌سازی سلسله‌مراتبی
• 38. پیاده‌سازی مدل‌های سلسله‌مراتبی در PyMC
• 39. مثال: مدل‌سازی اثرات گروهی
• 40. مدل‌سازی داده‌های خوشه‌ای با رویکرد بیزی
• 41. مدل‌های مخلوط بیزی
• 42. کاربرد PyMC در مدل‌سازی خوشه‌ای
• 43. پیاده‌سازی مدل‌های مخلوط بیزی در PyMC
• 44. مدل‌سازی شبکه‌های بیزی
• 45. مبانی شبکه‌های بیزی
• 46. ساخت و استنتاج در شبکه‌های بیزی
• 47. کاربرد PyMC در ساخت شبکه‌های بیزی
• 48. مدل‌سازی انتخاب با مدل‌های انتخاب گسسته بیزی
• 49. مدل‌های پروژیت بیزی
• 50. کاربرد PyMC در مدل‌سازی انتخاب
• 51. پیاده‌سازی مدل‌های انتخاب گسسته بیزی در PyMC
• 52. مدل‌سازی داده‌های بقا با رویکرد بیزی
• 53. مدل کاکس بیزی
• 54. مدل‌های بقای پارامتری بیزی
• 55. کاربرد PyMC در مدل‌سازی بقا
• 56. پیاده‌سازی مدل کاکس بیزی در PyMC
• 57. پیاده‌سازی مدل‌های بقای پارامتری بیزی در PyMC
• 58. مدل‌سازی داده‌های فضایی با رویکرد بیزی
• 59. مدل‌های رگرسیون فضایی بیزی
• 60. کاربرد PyMC در مدل‌سازی فضایی
• 61. پیاده‌سازی مدل‌های رگرسیون فضایی بیزی در PyMC
• 62. مقدمه‌ای بر مدل‌های تعمیم‌یافته خطی (GLM) بیزی
• 63. پیاده‌سازی GLM بیزی در PyMC
• 64. کاربرد GLM بیزی در تحلیل داده‌ها
• 65. مدل‌سازی پدیده‌های پرتکرار (Rare Events) با رویکرد بیزی
• 66. مدل‌های پواسون بیزی
• 67. مدل‌های منفی دوجمله‌ای بیزی
• 68. کاربرد PyMC در مدل‌سازی پدیده‌های پرتکرار
• 69. مدل‌سازی عدم قطعیت در پیش‌بینی با رویکرد بیزی
• 70. ارزیابی و مقایسه مدل‌های بیزی
• 71. انتخاب مدل با استفاده از معیارهای بیزی (DIC, WAIC)
• 72. اعتبارسنجی متقابل برای مدل‌های بیزی
• 73. بهینه‌سازی مدل‌های بیزی
• 74. تکنیک‌های پیشرفته نمونه‌گیری در PyMC
• 75. استفاده از priors غیرمتمرکز
• 76. مدل‌سازی داده‌های گمشده با رویکرد بیزی
• 77. کاربرد PyMC در تحلیل داده‌های گمشده
• 78. مدل‌سازی اثرات متقابل در مدل‌های بیزی
• 79. پیاده‌سازی مدل‌های پیشرفته در PyMC
• 80. مقدمه‌ای بر مدل‌سازی بیزی با استفاده از Stan (مقایسه و کاربرد)
• 81. کاربرد PyMC در پروژه‌های واقعی
• 82. مطالعه موردی: تحلیل داده‌های پزشکی با PyMC
• 83. مطالعه موردی: تحلیل داده‌های اقتصادی با PyMC
• 84. مطالعه موردی: تحلیل داده‌های علوم اجتماعی با PyMC
• 85. ملاحظات اخلاقی در مدل‌سازی بیزی
• 86. تفسیر نتایج مدل‌های بیزی در چارچوب علمی
• 87. ارائه نتایج مدل‌های بیزی به مخاطبین غیرمتخصص
• 88. مبانی برنامه‌نویسی در PyMC
• 89. ساختارهای داده‌ای در PyMC
• 90. توابع کمکی در PyMC
• 91. دیباگ کردن مدل‌های PyMC
• 92. نکات پیشرفته در نوشتن کد PyMC
• 93. مدل‌سازی بیزی توزیع‌های چندمتغیره
• 94. کاربرد PyMC در مدل‌سازی توزیع‌های چندمتغیره
• 95. روش‌های ارزیابی کیفیت مدل‌های بیزی
• 96. بهبود کارایی نمونه‌گیری در PyMC
• 97. مدل‌سازی بیزی برای داده‌های حجیم
• 98. مروری بر آخرین تحولات در مدل‌سازی بیزی
• 99. جمع‌بندی و مسیرهای آینده در مدل‌سازی بیزی