دوره Brooks-Gelman Diagnostic: اطمینان از اینکه نمونه‌های شما نماینده توزیع هدف هستند همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Brooks-Gelman Diagnostic: اطمینان از اینکه نمونه‌های شما نماینده توزیع هدف هستند

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

موضوع میانی: Brooks-Gelman Diagnostic

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های تشخیصی آماری
• 2. مفاهیم پایه در توزیع‌های احتمال
• 3. انواع توزیع‌های آماری رایج
• 4. توزیع نرمال و کاربردهای آن
• 5. توزیع پواسون و کاربردهای آن
• 6. توزیع دوجمله‌ای و کاربردهای آن
• 7. توزیع هندسی و کاربردهای آن
• 8. توزیع نمایی و کاربردهای آن
• 9. توزیع گاما و کاربردهای آن
• 10. توزیع بتا و کاربردهای آن
• 11. توزیع‌های شرطی و استقلال
• 12. مفهوم نمونه و جامعه آماری
• 13. روش‌های نمونه‌گیری احتمالی
• 14. نمونه‌گیری تصادفی ساده
• 15. نمونه‌گیری طبقه‌ای
• 16. نمونه‌گیری خوشه‌ای
• 17. نمونه‌گیری سیستماتیک
• 18. روش‌های نمونه‌گیری غیر احتمالی
• 19. نمونه‌گیری در دسترس
• 20. نمونه‌گیری سهمیه‌ای
• 21. نمونه‌گیری گلوله برفی
• 22. اهمیت نماینده بودن نمونه
• 23. معیارهای ارزیابی نماینده بودن نمونه
• 24. خطای نمونه‌گیری و علل آن
• 25. اندازه‌گیری خطای نمونه‌گیری
• 26. مفهوم واریانس نمونه
• 27. مفهوم کوواریانس نمونه
• 28. مفهوم همبستگی نمونه
• 29. توزیع نمونه‌ای میانگین
• 30. قضیه حد مرکزی
• 31. کاربرد قضیه حد مرکزی در استنباط
• 32. توزیع نمونه‌ای نسبت
• 33. توزیع نمونه‌ای واریانس
• 34. مقدمه‌ای بر آزمون فرض آماری
• 35. فرضیه صفر و فرضیه مقابل
• 36. خطاهای نوع اول و نوع دوم
• 37. سطح معنی‌داری آماری
• 38. مقدار p (p-value) و تفسیر آن
• 39. آزمون‌های تک‌مُتغیره
• 40. آزمون t تک‌نمونه‌ای
• 41. آزمون t دو نمونه‌ای مستقل
• 42. آزمون t زوجی
• 43. آزمون Z برای میانگین
• 44. آزمون Z برای نسبت
• 45. آزمون کای‌دو برای آزمون استقلال
• 46. آزمون کای‌دو برای برازش
• 47. تحلیل واریانس یک‌طرفه (ANOVA)
• 48. مقایسه میانگین‌ها پس از ANOVA
• 49. تحلیل واریانس دوطرفه
• 50. مقدمه‌ای بر رگرسیون خطی
• 51. مدل رگرسیون خطی ساده
• 52. تفسیر ضرایب رگرسیون
• 53. آزمون معنی‌داری ضرایب رگرسیون
• 54. ضریب تعیین (R-squared)
• 55. مفروضات مدل رگرسیون خطی
• 56. تشخیص و رفع نقض مفروضات
• 57. رگرسیون خطی چندگانه
• 58. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 59. رگرسیون لجستیک
• 60. کاربرد رگرسیون لجستیک در پیش‌بینی
• 61. مدل‌های پواسون برای داده‌های شمارشی
• 62. مقدمه‌ای بر روش‌های بیزی
• 63. نظریه بیز و احتمال شرطی
• 64. احتمال پیشین و پسین
• 65. کاربرد روش‌های بیزی در نمونه‌گیری
• 66. مقدمه‌ای بر روش‌های شبیه‌سازی
• 67. شبیه‌سازی مونت کارلو
• 68. تولید اعداد تصادفی
• 69. شبیه‌سازی فرایندهای تصادفی
• 70. کاربرد شبیه‌سازی در برآورد
• 71. مقدمه‌ای بر تحلیل داده‌های پرت
• 72. شناسایی داده‌های پرت
• 73. روش‌های حذف یا اصلاح داده‌های پرت
• 74. اثر داده‌های پرت بر نتایج آماری
• 75. مقدمه‌ای بر تحلیل سری‌های زمانی
• 76. مفاهیم پایه در سری‌های زمانی
• 77. مدل‌های ARIMA
• 78. کاربرد مدل‌های سری زمانی در پیش‌بینی
• 79. مقدمه‌ای بر خوشه‌بندی
• 80. الگوریتم K-means
• 81. ارزیابی کیفیت خوشه‌ها
• 82. مقدمه‌ای بر کاهش ابعاد
• 83. تحلیل مولفه‌های اصلی (PCA)
• 84. تفسیر مولفه‌های اصلی
• 85. کاربرد PCA در کاهش ابعاد
• 86. مقدمه‌ای بر روش‌های نمونه‌گیری تطبیقی
• 87. روش‌های نمونه‌گیری تطبیقی در عمل
• 88. ارزیابی و اعتبارسنجی مدل‌های آماری
• 89. اعتبارسنجی متقابل (Cross-validation)
• 90. تنظیم هایپرپارامترها
• 91. مقدمه‌ای بر نرم‌افزارهای آماری
• 92. کاربرد R در تحلیل داده‌ها
• 93. کاربرد Python در تحلیل داده‌ها
• 94. نرم‌افزارهای آماری تجاری
• 95. اخلاق در تحلیل داده‌ها و گزارش‌دهی
• 96. ملاحظات امنیتی داده‌ها
• 97. حفظ حریم خصوصی در تحلیل داده‌ها
• 98. اصول گزارش‌دهی نتایج آماری