دوره مبانی محاسبات بیزی تقریبی (ABC) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی محاسبات بیزی تقریبی (ABC)

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

موضوع میانی: Approximate Bayesian Computation (ABC)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر آمار بیزی
• 2. مفاهیم پایه احتمالات
• 3. متغیرهای تصادفی و توزیع‌ها
• 4. توزیع‌های پیشین و پسین
• 5. قضیه بیز
• 6. مفاهیم استنتاج بیزی
• 7. مدل‌های آماری ساده
• 8. توزیع نرمال و کاربردهای آن
• 9. توزیع گوسی دو متغیره
• 10. توزیع پواسون و کاربردهای آن
• 11. توزیع دوجمله‌ای و کاربردهای آن
• 12. توزیع برنولی
• 13. توزیع نمایی
• 14. توزیع بتا
• 15. توزیع گاما
• 16. توزیع t استیودنت
• 17. توزیع کای دو
• 18. توزیع‌های پیشین مناسب
• 19. انتخاب توزیع پیشین
• 20. توزیع‌های پسین بسته
• 21. روش‌های تحلیلی استنتاج بیزی
• 22. میانگین‌گیری و واریانس توزیع پسین
• 23. حساب بیزی
• 24. محدودیت‌های روش‌های تحلیلی
• 25. مقدمه‌ای بر محاسبات بیزی تقریبی (ABC)
• 26. نیاز به روش‌های تقریبی
• 27. اصول کلی ABC
• 28. روش‌های پایه ABC
• 29. نمونه‌گیری از توزیع پسین
• 30. تولید نمونه‌های شبیه‌سازی شده
• 31. مقایسه نمونه‌ها با داده‌های مشاهده شده
• 32. مفهوم فاصله یا معیار شباهت
• 33. انتخاب معیار شباهت مناسب
• 34. معیارهای شباهت متداول
• 35. تنظیم پارامترهای مدل
• 36. انتخاب مقادیر پارامترهای مدل
• 37. تولید داده‌های مصنوعی
• 38. شبیه‌سازی داده‌ها از مدل
• 39. مقایسه داده‌های مصنوعی با داده‌های واقعی
• 40. آستانه یا تلرانس در ABC
• 41. تنظیم آستانه
• 42. تأثیر آستانه بر نتایج
• 43. روش ABC با نمونه‌گیری مستقیم
• 44. پیاده‌سازی ABC با نمونه‌گیری مستقیم
• 45. مزایا و معایب ABC با نمونه‌گیری مستقیم
• 46. روش ABC با نمونه‌گیری از توزیع پسین تقریبی
• 47. ترکیب ABC با روش‌های دیگر
• 48. روش ABC با استفاده از هسته تخمین چگالی
• 49. تخمین چگالی در فضای پارامتر
• 50. کاربرد هسته تخمین چگالی
• 51. روش ABC با استفاده از رگرسیون
• 52. یادگیری رگرسیون برای تخمین پارامتر
• 53. کاربرد رگرسیون در ABC
• 54. روش‌های پیشرفته‌تر ABC
• 55. ABC با وزن‌دهی
• 56. تخصیص وزن به نمونه‌ها
• 57. بهبود تخمین چگالی پسین
• 58. ABC با الگوریتم‌های بهینه‌سازی
• 59. بهینه‌سازی پارامترهای مدل
• 60. استفاده از الگوریتم‌های فراابتکاری
• 61. ABC با خانواده‌های مدل‌های پیچیده
• 62. مدل‌های سلسله مراتبی بیزی
• 63. استنتاج در مدل‌های سلسله مراتبی
• 64. کاربرد ABC در مدل‌های سلسله مراتبی
• 65. ABC برای مدل‌های خطی تعمیم‌یافته
• 66. مدل‌های خطی تعمیم‌یافته بیزی
• 67. استنتاج در GLM بیزی
• 68. کاربرد ABC در GLM بیزی
• 69. ABC برای مدل‌های سری زمانی
• 70. مدل‌های سری زمانی بیزی
• 71. استنتاج در مدل‌های سری زمانی بیزی
• 72. کاربرد ABC در مدل‌های سری زمانی
• 73. ABC برای مدل‌های فضایی
• 74. مدل‌های فضایی بیزی
• 75. استنتاج در مدل‌های فضایی بیزی
• 76. کاربرد ABC در مدل‌های فضایی
• 77. ABC در داده‌های بزرگ
• 78. چالش‌های داده‌های بزرگ
• 79. بهینه‌سازی الگوریتم‌های ABC برای داده‌های بزرگ
• 80. ارزیابی دقت و کارایی روش‌های ABC
• 81. معیارهای ارزیابی روش‌های ABC
• 82. مقایسه روش‌های مختلف ABC
• 83. نرم‌افزارها و کتابخانه‌های ABC
• 84. پیاده‌سازی ABC با پایتون
• 85. کتابخانه‌های مرتبط با ABC در پایتون
• 86. پیاده‌سازی ABC با R
• 87. کتابخانه‌های مرتبط با ABC در R
• 88. کاربردهای عملی ABC
• 89. کاربرد ABC در زیست‌شناسی محاسباتی
• 90. مدل‌سازی جمعیت‌ها
• 91. کاربرد ABC در علوم اعصاب
• 92. تحلیل داده‌های مغزی
• 93. کاربرد ABC در فیزیک آماری
• 94. مدل‌سازی سیستم‌های پیچیده
• 95. کاربرد ABC در اقتصاد سنجی
• 96. مدل‌سازی پدیده‌های اقتصادی
• 97. کاربرد ABC در مهندسی
• 98. بهینه‌سازی پارامترهای سیستم‌ها
• 99. بررسی موارد نقض قوانین در روش‌های ABC
• 100. اصلاح رویکرد در صورت نیاز