دوره از پایه تا پیشرفته: کلیدهای موفقیت در Gibbs Sampling با JAGS همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از پایه تا پیشرفته: کلیدهای موفقیت در Gibbs Sampling با JAGS

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

موضوع میانی: نمونه‌گیری Gibbs در JAGS

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نمونه‌گیری گیبس
• 2. آشنایی با نرم‌افزار JAGS
• 3. نصب و راه‌اندازی JAGS
• 4. مفاهیم اساسی مدل‌سازی بیزی
• 5. توزیع‌های پیشین و پسین
• 6. انتخاب توزیع پیشین مناسب
• 7. نمونه‌گیری از توزیع‌های نرمال
• 8. نمونه‌گیری از توزیع‌های گاما
• 9. نمونه‌گیری از توزیع‌های بتا
• 10. نمونه‌گیری از توزیع‌های پواسون
• 11. نمونه‌گیری از توزیع‌های دوجمله‌ای
• 12. مفهوم زنجیره مارکوف
• 13. فرآیندهای مارکوف مونت کارلو (MCMC)
• 14. آشنایی با الگوریتم گیبس سمپلینگ
• 15. ساختار مدل در JAGS
• 16. زبان مدل‌سازی BUGS
• 17. تعریف متغیرهای مدل
• 18. تعریف پارامترهای مدل
• 19. تعریف توزیع‌های پیشین
• 20. تعریف توزیع‌های درستنمایی
• 21. نوشتن اولین مدل گیبس در JAGS
• 22. اجرای مدل گیبس
• 23. بررسی همگرایی زنجیره‌ها
• 24. نمودارهای سری زمانی
• 25. نمودارهای تابع خودهمبستگی (ACF)
• 26. آمار خلاصه زنجیره‌ها
• 27. تخمین فاكتور مقیاس (Gelman-Rubin)
• 28. تست‌های همگرایی دیگر
• 29. تنظیم پارامترهای نمونه‌گیری
• 30. تعداد تکرارها (Iterations)
• 31. تعداد دوره‌های پیش‌گرمایش (Burn-in)
• 32. گام نمونه‌گیری (Thinning)
• 33. مدل‌های خطی بیزی
• 34. رگرسیون خطی ساده بیزی
• 35. رگرسیون خطی چندگانه بیزی
• 36. مدل‌های سلسله مراتبی بیزی
• 37. مزایای مدل‌های سلسله مراتبی
• 38. ساختار مدل‌های سلسله مراتبی در JAGS
• 39. مدل‌های رگرسیون لجستیک بیزی
• 40. مدل‌های رگرسیون پواسون بیزی
• 41. مدل‌های آماری برای داده‌های شمارشی
• 42. مدل‌های آماری برای داده‌های دودویی
• 43. مدل‌های آماری برای داده‌های پیوسته
• 44. کاربرد نمونه‌گیری گیبس در علوم زیستی
• 45. کاربرد نمونه‌گیری گیبس در اقتصاد
• 46. کاربرد نمونه‌گیری گیبس در علوم اجتماعی
• 47. کاربرد نمونه‌گیری گیبس در مهندسی
• 48. کاربرد نمونه‌گیری گیبس در علوم محیطی
• 49. مدل‌سازی داده‌های سری زمانی با گیبس
• 50. مدل‌های ARIMA بیزی
• 51. مدل‌های GARCH بیزی
• 52. مدل‌سازی فضایی با گیبس
• 53. مدل‌های رگرسیون فضایی بیزی
• 54. مدل‌های خودرگرسیو فضایی بیزی
• 55. مقدمه‌ای بر بهینه‌سازی بیزی
• 56. کاربرد بهینه‌سازی بیزی در طراحی آزمایش
• 57. مدل‌سازی عدم قطعیت در پیش‌بینی
• 58. ارزیابی مدل با استفاده از معیارهای بیزی
• 59. معیار اطلاعاتی بیزی (BIC)
• 60. معیار اطلاعاتی آکائیکه بیزی (AIC)
• 61. اعتبار سنجی متقابل بیزی
• 62. تحلیل حساسیت مدل
• 63. مدل‌سازی با استفاده از داده‌های ناقص
• 64. روش‌های پر کردن داده‌های ناقص با گیبس
• 65. مدل‌سازی پیشرفته در JAGS
• 66. مدل‌های خطای متغیر
• 67. مدل‌های تأخیر زمانی
• 68. مدل‌های مدل‌سازی ساختاری معادلات (SEM) بیزی
• 69. مقدمه‌ای بر شبکه‌های بیزی
• 70. کاربرد شبکه‌های بیزی در استنتاج
• 71. مدل‌سازی شبکه‌های بیزی در JAGS
• 72. تفسیر نتایج مدل‌های پیچیده
• 73. ارتباط با سایر نرم‌افزارهای آماری
• 74. استفاده از R برای فراخوانی JAGS
• 75. استفاده از Python برای فراخوانی JAGS
• 76. نکات مهم در اشکال‌زدایی مدل‌های گیبس
• 77. مشکلات رایج در همگرایی زنجیره‌ها
• 78. راهکارهای افزایش سرعت نمونه‌گیری
• 79. استفاده از نمونه‌گیری ترکیبی (Metropolis-Hastings)
• 80. مقدمه‌ای بر نمونه‌گیری ترکیبی
• 81. پیاده‌سازی Metropolis-Hastings در JAGS
• 82. مدل‌سازی پدیده‌های تصادفی پیچیده
• 83. شبیه‌سازی مونت کارلو در JAGS
• 84. تولید داده‌های شبیه‌سازی شده
• 85. ارزیابی عملکرد الگوریتم‌های نمونه‌گیری
• 86. مقایسه روش‌های مختلف نمونه‌گیری
• 87. مطالعات موردی پیشرفته
• 88. مدل‌سازی پیش‌بینی با عدم قطعیت
• 89. استنتاج علی در مدل‌های بیزی
• 90. مدل‌سازی اثرات متقابل
• 91. کاربرد در داده‌های حجیم (Big Data)
• 92. ملاحظات اخلاقی در تحلیل داده‌ها
• 93. مسائل حقوقی مربوط به داده‌ها
• 94. حفظ حریم خصوصی در تحلیل آماری
• 95. اهمیت مستندسازی در پروژه‌های بیزی
• 96. آینده نمونه‌گیری گیبس و JAGS
• 97. توسعه‌های جدید در نرم‌افزارهای بیزی
• 98. کاربرد در هوش مصنوعی و یادگیری ماشین