دوره راهنمای کاربردی شاخص Geweke برای محققان MCMC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای کاربردی شاخص Geweke برای محققان MCMC

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

موضوع میانی: Geweke Diagnostic

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های مونت کارلو زنجیره مارکوف (MCMC)
• 2. مبانی احتمال و آمار برای MCMC
• 3. نظریه فرآیندهای مارکوف
• 4. زنجیره‌های مارکوف در زمان گسسته
• 5. زنجیره‌های مارکوف در زمان پیوسته
• 6. مفاهیم پایه در نظریه اطلاعات
• 7. آنتروپی و اطلاعات متقابل
• 8. آنتروپی شرطی و اطلاعات متقابل شرطی
• 9. مقدمه‌ای بر الگوریتم‌های نمونه‌گیری
• 10. نمونه‌گیری یکنواخت و نمایی
• 11. نمونه‌گیری از توزیع‌های گسسته
• 12. نمونه‌گیری از توزیع‌های پیوسته
• 13. روش‌های نمونه‌گیری مبتنی بر تبدیل
• 14. مقدمه‌ای بر الگوریتم‌های MCMC
• 15. شرط ایستایی توزیع هدف
• 16. نمونه‌گیری از طریق زنجیره‌های مارکوف
• 17. الگوریتم Metropolis-Hastings
• 18. انتخاب تابع پیشنهاد در Metropolis-Hastings
• 19. تنظیم نرخ پذیرش در Metropolis-Hastings
• 20. الگوریتم نمونه‌گیری Gibbs
• 21. نحوه پیاده‌سازی نمونه‌گیری Gibbs
• 22. مزایا و معایب نمونه‌گیری Gibbs
• 23. مقایسه Metropolis-Hastings و Gibbs
• 24. الگوریتم‌های MCMC پیشرفته
• 25. نمونه‌گیری با گام متغیر
• 26. نمونه‌گیری بازتابی
• 27. نمونه‌گیری مبتنی بر انرژی
• 28. نمونه‌گیری Hamiltonian Monte Carlo (HMC)
• 29. مبانی حساب دیفرانسیل و انتگرال برای HMC
• 30. انتشار در فضای فاز
• 31. حل معادلات حرکت در HMC
• 32. انتخاب گام زمانی و تعداد مراحل در HMC
• 33. الگوریتم MALA (Metropolis-Adjusted Langevin Algorithm)
• 34. مبانی معادلات دیفرانسیل تصادفی
• 35. اتصال HMC و MALA
• 36. ارزیابی همگرایی در MCMC
• 37. شاخص‌های همگرایی MCMC
• 38. شاخص گام اندازه‌گیری (Gelman-Rubin Statistic)
• 39. شاخص طول عمر (Autocorrelation Function)
• 40. شاخص گویایی (Effective Sample Size)
• 41. شاخص گویایی شرطی
• 42. شاخص گویایی مرتبط با Geman-Rubin
• 43. شاخص Geweke (نسخه اولیه)
• 44. مبانی شاخص Geweke
• 45. محاسبه میانگین و واریانس در شاخص Geweke
• 46. تفسیر نتایج شاخص Geweke
• 47. شاخص Geweke برای آزمون همگرایی
• 48. تنظیم پارامترهای شاخص Geweke
• 49. شاخص Geweke برای ارزیابی همگرایی سری زمانی
• 50. کاربرد شاخص Geweke در مدل‌های پیچیده
• 51. شاخص Geweke در بافت مدل‌های بیزی
• 52. مقایسه شاخص Geweke با سایر شاخص‌ها
• 53. روش‌های بهبود کارایی MCMC
• 54. کاهش همبستگی بین نمونه‌ها
• 55. استانداردسازی زنجیره‌ها
• 56. تکنیک‌های ترکیب زنجیره‌ها
• 57. نمونه‌گیری موازی
• 58. آموزش مدل‌های بیزی با MCMC
• 59. مدل‌های خطی تعمیم‌یافته بیزی
• 60. مدل‌های رگرسیون بیزی
• 61. مدل‌های طبقه‌بندی بیزی
• 62. استفاده از MCMC در اقتصاد سنجی
• 63. مدل‌های اقتصاد سنجی بیزی
• 64. تحلیل سری‌های زمانی با MCMC
• 65. کاربرد MCMC در علوم داده
• 66. یادگیری ماشین بیزی
• 67. مدل‌های گرافیکی بیزی
• 68. شبکه‌های بیزی
• 69. مدل‌های پنهان مارکوف بیزی
• 70. کاربرد MCMC در فیزیک آماری
• 71. مدل‌های بلورهای مایع
• 72. مدل‌های مغناطش
• 73. مدل‌های فیزیک ذرات
• 74. کاربرد MCMC در زیست‌شناسی محاسباتی
• 75. مدل‌های فیلوژنتیک بیزی
• 76. تحلیل داده‌های ژنومیک با MCMC
• 77. مدل‌های اپیدمیولوژیک بیزی
• 78. کاربرد MCMC در علوم اجتماعی
• 79. مدل‌های انتخاب گسسته بیزی
• 80. مدل‌های تحلیل عاملی بیزی
• 81. تحلیل داده‌های پیمایشی با MCMC
• 82. پیاده‌سازی MCMC در نرم‌افزارهای آماری
• 83. زبان برنامه‌نویسی R و بسته‌های MCMC
• 84. زبان برنامه‌نویسی Python و کتابخانه‌های MCMC
• 85. نرم‌افزارهای تخصصی MCMC (مانند Stan, JAGS)
• 86. مثال‌های عملی پیاده‌سازی شاخص Geweke
• 87. تحلیل داده‌های نمونه با استفاده از شاخص Geweke
• 88. بررسی همگرایی مدل‌های پیچیده با شاخص Geweke
• 89. نکات کاربردی در استفاده از شاخص Geweke
• 90. اشتباهات رایج در ارزیابی همگرایی MCMC
• 91. تفسیر صحیح نتایج همگرایی
• 92. ملاحظات نهایی در انتخاب و استفاده از الگوریتم‌های MCMC
• 93. آینده پژوهش در زمینه MCMC