دوره آموزش کاربردی MCMC برای مدل‌های خطی تعمیم‌یافته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش کاربردی MCMC برای مدل‌های خطی تعمیم‌یافته

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

موضوع میانی: استنتاج مبتنی بر مدل‌های خطی تعمیم‌یافته (GLM)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 2. مفاهیم پایه آمار برای GLM
• 3. توزیع‌های احتمال مرتبط با GLM
• 4. تابع پیوند در GLM
• 5. برآورد پارامترها در GLM: روش حداکثر درستنمایی
• 6. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 7. اصول اولیه MCMC
• 8. الگوریتم گیبس سمپلینگ
• 9. الگوریتم متروپولیس-هستینگز
• 10. ارزیابی همگرایی در MCMC
• 11. تکنیک‌های تشخیص همگرایی
• 12. اعتماد به نتایج MCMC
• 13. MCMC برای رگرسیون خطی ساده
• 14. MCMC برای رگرسیون لجستیک
• 15. MCMC برای رگرسیون پواسون
• 16. MCMC برای مدل‌های بقا
• 17. کاربرد MCMC در مدل‌های خطی تعمیم‌یافته
• 18. پیاده‌سازی MCMC با نرم‌افزار R
• 19. بسته‌های MCMC در R (مانند coda، rstan)
• 20. مثال‌های عملی MCMC در R
• 21. مقدمه‌ای بر مدل‌سازی بیزی
• 22. تفاوت مدل‌سازی بیزی و فراوانی‌گرا
• 23. توزیع پیشین و پسین در مدل‌سازی بیزی
• 24. مقدمه‌ای بر نرم‌افزار Stan
• 25. نحوه نوشتن مدل در Stan
• 26. کاربرد Stan برای GLM
• 27. مثال‌های عملی با Stan
• 28. مقدمه‌ای بر مدل‌های سلسله مراتبی
• 29. مدل‌های سلسله مراتبی در GLM
• 30. کاربرد MCMC در مدل‌های سلسله مراتبی
• 31. مثال‌های عملی مدل‌های سلسله مراتبی
• 32. مقدمه‌ای بر سری‌های زمانی
• 33. مدل‌های سری زمانی خطی
• 34. کاربرد MCMC در مدل‌های سری زمانی
• 35. مثال‌های عملی سری زمانی
• 36. مقدمه‌ای بر مدل‌های فضایی
• 37. مدل‌های فضایی در GLM
• 38. کاربرد MCMC در مدل‌های فضایی
• 39. مثال‌های عملی مدل‌های فضایی
• 40. مقدمه‌ای بر مدل‌های ناپارامتری
• 41. کاربرد MCMC در مدل‌های ناپارامتری
• 42. مثال‌های عملی مدل‌های ناپارامتری
• 43. مقدمه‌ای بر مدل‌های خطی مختلط
• 44. کاربرد MCMC در مدل‌های خطی مختلط
• 45. مثال‌های عملی مدل‌های خطی مختلط
• 46. مدل‌سازی داده‌های شمارشی
• 47. مدل‌سازی داده‌های دودویی
• 48. مدل‌سازی داده‌های پیوسته
• 49. مدل‌سازی داده‌های طبقه‌بندی
• 50. تحلیل حساسیت در MCMC
• 51. اعتبارسنجی مدل‌های MCMC
• 52. مقایسه مدل‌ها با معیارهای بیزی
• 53. مقدمه‌ای بر یادگیری ماشین
• 54. ارتباط MCMC با یادگیری ماشین
• 55. کاربرد MCMC در شبکه‌های عصبی
• 56. کاربرد MCMC در ماشین‌های بردار پشتیبان
• 57. کاربرد MCMC در مدل‌های گرافیکی
• 58. مقدمه‌ای بر بهینه‌سازی
• 59. ارتباط MCMC با بهینه‌سازی
• 60. کاربرد MCMC در بهینه‌سازی بیزی
• 61. بهینه‌سازی پارامترهای MCMC
• 62. مقدمه‌ای بر روش‌های نمونه‌برداری پیشرفته
• 63. نمونه‌برداری اهمیت
• 64. نمونه‌برداری از طریق زنجیره‌های مارکوف با پارامترهای متغیر
• 65. روش‌های MCMC برای مدل‌های پیچیده
• 66. کاربرد MCMC در علوم زیستی
• 67. کاربرد MCMC در اقتصاد
• 68. کاربرد MCMC در علوم اجتماعی
• 69. کاربرد MCMC در مهندسی
• 70. مباحث پیشرفته در GLM
• 71. مباحث پیشرفته در MCMC
• 72. مباحث پیشرفته در مدل‌سازی بیزی
• 73. مباحث پیشرفته در سری‌های زمانی
• 74. مباحث پیشرفته در مدل‌های فضایی
• 75. مباحث پیشرفته در مدل‌های ناپارامتری
• 76. مباحث پیشرفته در مدل‌های خطی مختلط
• 77. مباحث پیشرفته در داده‌های شمارشی
• 78. مباحث پیشرفته در داده‌های دودویی
• 79. مباحث پیشرفته در داده‌های پیوسته
• 80. مباحث پیشرفته در داده‌های طبقه‌بندی
• 81. ارتباط MCMC با تحلیل داده‌های بزرگ
• 82. چالش‌های MCMC در داده‌های بزرگ
• 83. راهکارهای MCMC برای داده‌های بزرگ
• 84. مقدمه‌ای بر محاسبات علمی
• 85. کاربرد MCMC در محاسبات علمی
• 86. بهینه‌سازی کد MCMC
• 87. موازی‌سازی الگوریتم‌های MCMC
• 88. مقدمه‌ای بر یادگیری عمیق
• 89. ارتباط MCMC با یادگیری عمیق
• 90. کاربرد MCMC در شبکه‌های مولد تخاصمی (GANs)
• 91. کاربرد MCMC در مدل‌های زبانی
• 92. تکنیک‌های بصری‌سازی نتایج MCMC
• 93. داشبوردهای تعاملی برای نتایج MCMC
• 94. نکات مهم در گزارش‌دهی نتایج MCMC
• 95. اخلاق در تحلیل داده‌ها با MCMC
• 96. مقدمه‌ای بر آینده MCMC
• 97. نوآوری‌های اخیر در MCMC
• 98. کاربردهای آینده MCMC