دوره استقرار زنجیره‌های مارکوف برای مدل‌های آماری پیچیده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب استقرار زنجیره‌های مارکوف برای مدل‌های آماری پیچیده

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

موضوع میانی: مفهوم زنجیره مارکوف

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر مدل های آماری پیچیده
• 2. مقدمه ای بر زنجیره های مارکوف
• 3. مبانی نظری زنجیره های مارکوف
• 4. فضاهای حالت گسسته و پیوسته
• 5. توابع انتقال احتمال
• 6. توزیع های اولیه
• 7. خواص زنجیره های مارکوف
• 8. مارکوفی بودن
• 9. ایستایی
• 10. انتقال پذیری
• 11. کلاس های بسته
• 12. دوره تناوب
• 13. ارگودیسیته
• 14. بازگشت پذیری
• 15. مفاهیم پیشرفته در زنجیره های مارکوف
• 16. زنجیره های مارکوف با زمان پیوسته
• 17. معادلات آنی (Infinitesimal)
• 18. نرخ های انتقال
• 19. مفاهیم پیشرفته در زنجیره های مارکوف با زمان پیوسته
• 20. حالات گذرا و حالات پایدار
• 21. توزیع های مانا (Stationary Distributions)
• 22. روش های محاسبه توزیع های مانا
• 23. قضیه حد مرکزی برای زنجیره های مارکوف
• 24. قضیه ارگودیک
• 25. کاربرد زنجیره های مارکوف در مدل های آماری
• 26. مدل های مخفی مارکوف (HMM)
• 27. کاربرد HMM در پردازش گفتار
• 28. کاربرد HMM در زیست شناسی محاسباتی
• 29. مدل های گرافیکی احتمالی
• 30. شبکه های بیزی
• 31. کاربرد شبکه های بیزی در مدل سازی
• 32. میدان های تصادفی مارکوف (MRF)
• 33. کاربرد MRF در پردازش تصویر
• 34. روش های نمونه برداری از توزیع های پیچیده
• 35. مقدمه ای بر روش های مونت کارلو زنجیره مارکوف (MCMC)
• 36. الگوریتم متروپلیس-هستینگز
• 37. الگوریتم نمونه برداری گیبز
• 38. الگوریتم های MCMC پیشرفته
• 39. نمونه برداری با تغییر پارامتر
• 40. نمونه برداری از توزیع های شرطی
• 41. روش های ترکیبی MCMC
• 42. کاربرد MCMC در استنباط بیزی
• 43. تخمین پارامترها در مدل های پیچیده
• 44. محاسبه انتگرال های احتمالاتی
• 45. ارزیابی دقت مدل ها
• 46. اعتبارسنجی متقابل
• 47. اعتبارسنجی مبتنی بر شبیه سازی
• 48. روش های ارزیابی مدل های آماری پیچیده
• 49. انتخاب مدل
• 50. مقایسه مدل ها
• 51. معیارهای اطلاعاتی (AIC, BIC)
• 52. مدل های سلسله مراتبی
• 53. کاربرد مدل های سلسله مراتبی در آمار
• 54. مدل های خطی تعمیم یافته (GLM)
• 55. کاربرد GLM در مدل سازی داده های متنوع
• 56. مدل های مختلط (Mixed Models)
• 57. کاربرد مدل های مختلط در آمار زیستی
• 58. مدل های سری زمانی
• 59. مدل های ARIMA
• 60. مدل های GARCH
• 61. کاربرد مدل های سری زمانی در اقتصاد
• 62. مدل های فضایی
• 63. کاربرد مدل های فضایی در علوم محیطی
• 64. مدل های پویا
• 65. مدل های دینامیک سیستم ها
• 66. مدل های معادلات ساختاری
• 67. کاربرد مدل های معادلات ساختاری در علوم اجتماعی
• 68. روش های یادگیری آماری
• 69. یادگیری با نظارت
• 70. یادگیری بدون نظارت
• 71. یادگیری تقویتی
• 72. کاربرد یادگیری آماری در مدل سازی
• 73. شبکه های عصبی
• 74. شبکه های عصبی کانولوشنال
• 75. شبکه های عصبی بازگشتی
• 76. کاربرد شبکه های عصبی در هوش مصنوعی
• 77. استقرار زنجیره های مارکوف برای مدل های آماری پیچیده
• 78. مراحل استقرار
• 79. انتخاب الگوریتم مناسب MCMC
• 80. تنظیم پارامترهای الگوریتم
• 81. ارزیابی همگرایی زنجیره
• 82. تشخیص همگرایی
• 83. روش های بصری برای ارزیابی همگرایی
• 84. آزمون های آماری برای همگرایی
• 85. تفسیر نتایج MCMC
• 86. استنتاج از توزیع های پسین
• 87. محاسبه میانگین، واریانس و فواصل اطمینان
• 88. ارزیابی عدم قطعیت
• 89. حساسیت به شرایط اولیه
• 90. حساسیت به پارامترهای الگوریتم
• 91. کاهش همبستگی بین متغیرها
• 92. تکنیک های کاهش همبستگی
• 93. نمونه برداری با گام های بزرگتر
• 94. نمونه برداری با گام های کوچکتر
• 95. نمونه برداری با پارامترهای تنظیم شده
• 96. بهینه سازی الگوریتم های MCMC
• 97. روش های موازی سازی MCMC
• 98. پردازش موازی برای سرعت بخشیدن به MCMC
• 99. کاربرد MCMC توزیع شده
• 100. پیاده سازی MCMC در نرم افزارهای آماری