اپلیکیشن اندرویدی فلش‌کارت آموزشی تجسم نتایج MCMC با R پس از تحلیل با JAGS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تجسم نتایج MCMC با R پس از تحلیل با JAGS

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

موضوع میانی: ادغام JAGS با R

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نرم‌افزار R و نصب آن
• 2. آشنایی با محیط RStudio
• 3. مبانی زبان برنامه‌نویسی R: متغیرها و انواع داده
• 4. عملیات پایه با بردارها در R
• 5. کار با ماتریس‌ها و آرایه‌ها در R
• 6. ساختار داده‌ای DataFrame در R
• 7. مفاهیم اولیه آمار توصیفی در R
• 8. رسم نمودارهای پایه در R: هیستوگرام و نمودار پراکندگی
• 9. نصب و بارگذاری بسته‌های R
• 10. آشنایی با نرم‌افزار JAGS
• 11. نصب و پیکربندی JAGS
• 12. مبانی مدل‌سازی احتمالاتی
• 13. مفهوم زنجیره‌های مارکوف
• 14. مفهوم زنجیره‌های مونته کارلو (MCMC)
• 15. مقدمه‌ای بر روش‌های MCMC
• 16. الگوریتم Metropolis-Hastings
• 17. الگوریتم Gibbs Sampling
• 18. نوشتن مدل‌های ساده در زبان BUGS
• 19. معرفی زبان مدل‌سازی JAGS
• 20. نوشتن مدل‌های آماری در JAGS
• 21. مدل‌های خطی تعمیم‌یافته (GLM) در JAGS
• 22. مدل‌های رگرسیون خطی در JAGS
• 23. مدل‌های رگرسیون لجستیک در JAGS
• 24. مدل‌های سری زمانی در JAGS
• 25. مدل‌های سلسله‌مراتبی در JAGS
• 26. پیاده‌سازی مدل‌های سلسله‌مراتبی در JAGS
• 27. مقدمه‌ای بر شبیه‌سازی و تحلیل نتایج MCMC
• 28. تشخیص همگرایی در زنجیره‌های MCMC
• 29. معیارهای همگرایی: Trace Plots
• 30. معیارهای همگرایی: Autocorrelation Plots
• 31. معیارهای همگرایی: Gelman-Rubin Diagnostic
• 32. ارزیابی کیفیت نمونه‌برداری MCMC
• 33. محاسبه آماره‌های خلاصه از نتایج MCMC
• 34. محاسبه فواصل اطمینان از نتایج MCMC
• 35. تجسم نتایج MCMC در R
• 36. رسم Trace Plots نتایج MCMC در R
• 37. رسم Autocorrelation Plots نتایج MCMC در R
• 38. رسم نمودارهای توزیع پسین (Posterior Distribution)
• 39. تجسم توزیع‌های پسین با هیستوگرام
• 40. تجسم توزیع‌های پسین با نمودارهای چگالی
• 41. تجسم ماتریس همبستگی پارامترها
• 42. رسم نمودارهای پراکندگی پارامترها
• 43. تجسم روابط بین پارامترها
• 44. استفاده از بسته `coda` برای تحلیل نتایج MCMC
• 45. تجسم نتایج با بسته `mcmcplots`
• 46. تجسم نتایج با بسته `bayesplot`
• 47. تنظیمات پیشرفته در `bayesplot`
• 48. تجسم پیش‌بینی‌های پسین (Posterior Predictive Checks)
• 49. مقایسه مدل‌ها با استفاده از نتایج MCMC
• 50. محاسبه معیارهای اطلاعاتی مدل (DIC, WAIC)
• 51. تجسم و تفسیر معیارهای اطلاعاتی مدل
• 52. مدل‌سازی پارامترهای نامعلوم
• 53. تحلیل حساسیت مدل به پیش‌فرض‌ها
• 54. مدل‌سازی داده‌های گمشده با MCMC
• 55. کار با داده‌های پرت در مدل‌های MCMC
• 56. مقدمه‌ای بر مدل‌های بیزی برای مسائل خاص
• 57. مدل‌سازی بیزی برای داده‌های شمارشی
• 58. مدل‌سازی بیزی برای داده‌های پیوسته
• 59. مدل‌سازی بیزی برای داده‌های طبقه‌بندی
• 60. کاربرد MCMC در اقتصاد با رویکرد بیزی
• 61. تحلیل داده‌های مالی با MCMC
• 62. مدل‌سازی بیزی در علوم سلامت
• 63. کاربرد MCMC در علوم زیستی
• 64. تجسم نتایج MCMC در پروژه‌های تحقیقاتی
• 65. نوشتن گزارش نتایج تحلیل MCMC
• 66. مقدمه‌ای بر روش‌های پیشرفته MCMC
• 67. Metropolis-Adjusted Langevin Algorithm (MALA)
• 68. Hamiltonian Monte Carlo (HMC)
• 69. Stochastic Gradient Langevin Dynamics (SGLD)
• 70. کاربرد HMC در مدل‌های پیچیده
• 71. تجسم نتایج HMC
• 72. نوشتن مدل‌های پیچیده در JAGS
• 73. مدل‌سازی شبکه‌های بیزی در JAGS
• 74. کاربرد MCMC در یادگیری ماشین بیزی
• 75. شبکه‌های عصبی بیزی
• 76. تجسم نتایج شبکه‌های عصبی بیزی
• 77. مقدمه‌ای بر نرم‌افزار Stan
• 78. مقایسه Stan و JAGS
• 79. نوشتن مدل در Stan
• 80. تجسم نتایج MCMC با Stan
• 81. مباحث پیشرفته در تحلیل نتایج MCMC
• 82. ارزیابی مدل با داده‌های جدید
• 83. توسعه مدل‌های سفارشی در R
• 84. اتصال R به دیگر نرم‌افزارهای آماری
• 85. کاربرد MCMC در تحلیل داده‌های فضایی
• 86. مدل‌سازی بیزی برای داده‌های زمانی-فضایی
• 87. تجسم نتایج مدل‌های زمانی-فضایی
• 88. نکات کاربردی در مواجهه با مشکلات MCMC
• 89. انتخاب پارامترهای اولیه در MCMC
• 90. مدیریت حافظه در تحلیل‌های بزرگ MCMC
• 91. بهینه‌سازی سرعت اجرای مدل‌های MCMC
• 92. مقدمه‌ای بر روش‌های موازی‌سازی MCMC
• 93. استفاده از GPU برای شتاب‌دهی MCMC
• 94. کاربرد MCMC در تشخیص ناهنجاری
• 95. مدل‌سازی بیزی برای داده‌های پرتکرار
• 96. تجسم نتایج مدل‌های داده‌های پرتکرار
• 97. مقدمه‌ای بر روش‌های بیزی پیشرفته
• 98. مدل‌سازی غیرپارامتری بیزی
• 99. تجسم نتایج مدل‌های غیرپارامتری
• 100. مباحث پایانی در تحلیل نتایج MCMC