دوره تکنیک‌های حرفه‌ای برای نمونه‌گیری Gibbs در JAGS همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های حرفه‌ای برای نمونه‌گیری Gibbs در JAGS

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

موضوع میانی: نمونه‌گیری Gibbs در JAGS

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نمونه‌گیری Gibbs و هدف آن
• 2. مفاهیم اساسی زنجیره‌های مارکوف مونت کارلو (MCMC)
• 3. توزیع‌های پیشین و پسین در مدل‌سازی آماری
• 4. تعریف و ویژگی‌های توزیع‌های شرطی
• 5. ساختار مدل‌های احتمالی در JAGS
• 6. نصب و راه‌اندازی نرم‌افزار JAGS
• 7. آشنایی با زبان مدل‌سازی BUGS
• 8. نوشتن اولین مدل ساده در JAGS
• 9. تعریف متغیرهای مدل و پارامترها
• 10. مشخص کردن توزیع‌های پیشین برای پارامترها
• 11. مشخص کردن توزیع‌های درست‌نمایی برای داده‌ها
• 12. تنظیمات اولیه برای اجرای نمونه‌گیری Gibbs
• 13. اجرای نمونه‌گیری و مشاهده خروجی‌های اولیه
• 14. ارزیابی همگرایی سری‌های نمونه‌گیری
• 15. معیارهای بصری برای ارزیابی همگرایی (نمودار سری زمانی)
• 16. معیارهای کمی برای ارزیابی همگرایی (R-hat)
• 17. روش‌های تشخیص عدم همگرایی
• 18. تنظیم پارامترهای نمونه‌گیری (تعداد تکرار، burn-in)
• 19. استفاده از توزیع‌های پیشین غیراطلاعاتی
• 20. استفاده از توزیع‌های پیشین اطلاعاتی
• 21. مدل‌سازی رگرسیون خطی با نمونه‌گیری Gibbs
• 22. تفسیر ضرایب رگرسیون در مدل‌های بیزی
• 23. مدل‌سازی رگرسیون لجستیک با نمونه‌گیری Gibbs
• 24. مدل‌سازی رگرسیون پواسون با نمونه‌گیری Gibbs
• 25. مدل‌سازی توزیع‌های نرمال چندمتغیره
• 26. نمونه‌گیری از مدل‌های خطی تعمیم‌یافته (GLM)
• 27. نمونه‌گیری از مدل‌های سلسله‌مراتبی
• 28. مدل‌سازی اثرات ثابت در مدل‌های سلسله‌مراتبی
• 29. مدل‌سازی اثرات تصادفی در مدل‌های سلسله‌مراتبی
• 30. تفسیر پارامترهای اثرات تصادفی
• 31. مدل‌سازی داده‌های خوشه‌ای
• 32. مدل‌سازی داده‌های طولی
• 33. استفاده از توابع کمکی در JAGS
• 34. تعریف توابع سفارشی در JAGS
• 35. نمونه‌گیری از مدل‌های آماری پیچیده
• 36. مدل‌سازی نسبت‌های شانس (Odds Ratio)
• 37. مدل‌سازی نسبت‌های خطر (Hazard Ratio)
• 38. مدل‌سازی داده‌های بقا
• 39. استفاده از توزیع‌های شرطی برای ساخت مدل‌های پیچیده
• 40. بررسی حساسیت مدل به انتخاب توزیع پیشین
• 41. تکنیک‌های نمونه‌گیری پیشرفته در JAGS
• 42. نمونه‌گیری با الگوریتم Metropolis-Hastings
• 43. مقایسه نمونه‌گیری Gibbs با Metropolis-Hastings
• 44. استفاده از پارالل‌سازی برای افزایش سرعت
• 45. مدیریت مدل‌های بزرگ و پیچیده
• 46. اعتبارسنجی مدل با داده‌های جدید
• 47. استفاده از توزیع‌های پیشین با وابستگی
• 48. مدل‌سازی متغیرهای پنهان (Latent Variables)
• 49. کاربرد نمونه‌گیری Gibbs در علوم اجتماعی
• 50. کاربرد نمونه‌گیری Gibbs در علوم پزشکی
• 51. کاربرد نمونه‌گیری Gibbs در اقتصاد
• 52. کاربرد نمونه‌گیری Gibbs در علوم محیطی
• 53. کاربرد نمونه‌گیری Gibbs در مهندسی
• 54. کاربرد نمونه‌گیری Gibbs در علوم کامپیوتر
• 55. مدل‌سازی شبکه‌های بیزی
• 56. نمونه‌گیری از شبکه‌های بیزی با JAGS
• 57. مدل‌سازی سری‌های زمانی بیزی
• 58. استفاده از فیلتر کالمن در مدل‌های بیزی
• 59. مدل‌سازی فضایی با نمونه‌گیری Gibbs
• 60. تکنیک‌های بصری‌سازی نتایج نمونه‌گیری
• 61. رسم نمودارهای توزیع پسین پارامترها
• 62. رسم نمودارهای تراکم (density plots)
• 63. رسم نمودارهای هیستوگرام
• 64. محاسبه آماره‌های خلاصه از توزیع پسین
• 65. محاسبه فواصل اطمینان بیزی (Credible Intervals)
• 66. مقایسه مدل‌ها با استفاده از معیارهای بیزی
• 67. معیار اطلاعاتی بیز (BIC)
• 68. معیار اطلاعاتی آکایکه بیزی (BIC)
• 69. معیار اطلاعاتی واک (WAIC)
• 70. معیار اطلاعاتی پسین پیش‌بینی (LOO-CV)
• 71. اصول طراحی مدل‌های بیزی قوی
• 72. اشتباهات رایج در نمونه‌گیری Gibbs
• 73. راهکارهای رفع مشکلات همگرایی
• 74. بهینه‌سازی کد JAGS برای سرعت
• 75. مستندسازی مدل‌های بیزی
• 76. نمونه‌گیری از مدل‌های شرطی خودهمبسته (CAR)
• 77. مدل‌سازی اثرات متقابل (Interaction Effects)
• 78. استفاده از داده‌های ساختگی (Simulated Data)
• 79. ارزیابی عملکرد مدل بر اساس داده‌های ساختگی
• 80. تکنیک‌های نمونه‌گیری برای مدل‌های غیرقابل تحلیلی
• 81. کاربرد نمونه‌گیری Gibbs در داده‌کاوی
• 82. کاربرد نمونه‌گیری Gibbs در یادگیری ماشین
• 83. مدل‌سازی پیش‌بینی با استفاده از نمونه‌گیری
• 84. تفسیر نتایج پیش‌بینی در چارچوب بیزی
• 85. کاربرد نمونه‌گیری Gibbs در تحلیل داده‌های بزرگ
• 86. مدل‌سازی عدم قطعیت در پیش‌بینی‌ها
• 87. اصول اخلاقی در استفاده از مدل‌های آماری
• 88. حفظ حریم خصوصی داده‌ها در تحلیل‌های بیزی
• 89. ارزیابی و مقایسه رویکردهای مختلف نمونه‌گیری
• 90. مطالعه موردی: مدل‌سازی داده‌های زیست‌محیطی
• 91. مطالعه موردی: مدل‌سازی رفتار مصرف‌کننده
• 92. مطالعه موردی: مدل‌سازی پیش‌بینی بیماری
• 93. مطالعه موردی: مدل‌سازی تحلیل شبکه‌های اجتماعی
• 94. مطالعه موردی: مدل‌سازی تحلیل داده‌های مالی
• 95. مطالعه موردی: مدل‌سازی تحلیل داده‌های آموزشی
• 96. مطالعه موردی: مدل‌سازی تحلیل داده‌های پزشکی
• 97. مطالعه موردی: مدل‌سازی تحلیل داده‌های فیزیکی
• 98. مطالعه موردی: مدل‌سازی تحلیل داده‌های مهندسی
• 99. مروری بر قابلیت‌های پیشرفته JAGS
• 100. مباحث تکمیلی در نمونه‌گیری بیزی