دوره روش‌های پیشرو در استنتاج علی بیزی با تاکید بر MCMC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره روش‌های پیشرو در استنتاج علی بیزی با تاکید بر MCMC

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

موضوع میانی: Bayesian Causal Inference Algorithms

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استنتاج علی بیزی
• 2. مبانی احتمال شرطی و قاعده بیز
• 3. توزیع‌های پیشین و پسین
• 4. انتخاب توزیع پیشین مناسب
• 5. مفهوم تابع درستنمایی
• 6. مدل‌های آماری برای داده‌ها
• 7. مقدمه‌ای بر زنجیره‌های مارکوف
• 8. فضای حالت در زنجیره‌های مارکوف
• 9. انتقال حالت و ماتریس انتقال
• 10. توزیع پایدار در زنجیره‌های مارکوف
• 11. مقدمه‌ای بر فرآیندهای مارکوف
• 12. مفهوم فرآیند مارکوف و کاربردها
• 13. انواع فرآیندهای مارکوف
• 14. کاربرد فرآیندهای مارکوف در مدل‌سازی
• 15. مقدمه‌ای بر روش‌های مونت کارلو
• 16. شبیه‌سازی مونت کارلو برای انتگرال‌گیری
• 17. تولید اعداد تصادفی با توزیع‌های دلخواه
• 18. کاربرد مونت کارلو در تخمین پارامتر
• 19. مقدمه‌ای بر MCMC
• 20. الگوریتم Metropolis-Hastings
• 21. مراحل الگوریتم Metropolis-Hastings
• 22. انتخاب تابع پیشنهاد در Metropolis-Hastings
• 23. مفهوم نسبت پذیرش
• 24. تنظیم پارامترهای الگوریتم Metropolis-Hastings
• 25. الگوریتم نمونه‌گیری از گیبس (Gibbs Sampling)
• 26. مراحل الگوریتم نمونه‌گیری از گیبس
• 27. شرط لازم برای نمونه‌گیری از گیبس
• 28. کاربرد گیبس در مدل‌های چندمتغیره
• 29. مقایسه Metropolis-Hastings و گیبس
• 30. برنامه‌نویسی MCMC با پایتون
• 31. کتابخانه‌های مرتبط با MCMC در پایتون
• 32. پیاده‌سازی Metropolis-Hastings در پایتون
• 33. پیاده‌سازی گیبس در پایتون
• 34. ارزیابی همگرایی در MCMC
• 35. معیارهای بصری همگرایی
• 36. معیارهای آماری همگرایی (Gelman-Rubin)
• 37. تشخیص دوره‌های سرد شدن (Burn-in period)
• 38. پس از دوره سرد شدن
• 39. نمونه‌گیری پس از همگرایی
• 40. تخمین میانگین و واریانس پسین
• 41. محاسبه فواصل اطمینان بیزی
• 42. کاربرد MCMC در مدل‌های رگرسیون بیزی
• 43. رگرسیون خطی بیزی
• 44. تخمین پارامترها در رگرسیون خطی بیزی
• 45. کاربرد MCMC در مدل‌های طبقه‌بندی بیزی
• 46. طبقه‌بندی بیزی با استفاده از MCMC
• 47. مدل‌های گرافیکی احتمالی
• 48. شبکه‌های بیزی
• 49. مقدمه‌ای بر شبکه‌های بیزی
• 50. ساخت شبکه‌های بیزی
• 51. استنتاج در شبکه‌های بیزی
• 52. کاربرد MCMC در شبکه‌های بیزی
• 53. استنتاج علی در شبکه‌های بیزی
• 54. مفهوم مداخله (Intervention)
• 55. مفهوم ضدواقعیت (Counterfactual)
• 56. مدل‌های علی بیزی
• 57. ساخت مدل‌های علی بیزی
• 58. استنتاج علی با استفاده از MCMC
• 59. مقدمه‌ای بر استنتاج علی
• 60. مفهوم علیت و همبستگی
• 61. روش‌های آماری برای استنتاج علی
• 62. محدودیت‌های روش‌های سنتی
• 63. نقش مدل‌های بیزی در استنتاج علی
• 64. مدل‌های ساختاری علی (Structural Causal Models)
• 65. نمودارهای علی (Causal Diagrams)
• 66. تفسیر نمودارهای علی
• 67. قوانین استنتاج علی از نمودارها
• 68. مفهوم do-calculus
• 69. کاربرد MCMC در مدل‌های علی
• 70. کاربرد MCMC در تخمین اثرات علی
• 71. مقدمه‌ای بر مدل‌های استنتاجی پیچیده
• 72. مدل‌های سلسله مراتبی بیزی
• 73. ساختار مدل‌های سلسله مراتبی
• 74. مزایای مدل‌های سلسله مراتبی
• 75. کاربرد MCMC در مدل‌های سلسله مراتبی
• 76. مدل‌های خطی تعمیم‌یافته بیزی
• 77. مقدمه‌ای بر GLM بیزی
• 78. پیاده‌سازی GLM بیزی با MCMC
• 79. کاربرد MCMC در مدل‌های سری زمانی بیزی
• 80. مدل‌های ARIMA بیزی
• 81. فیلتر کالمن بیزی
• 82. کاربرد MCMC در مدل‌های فضایی بیزی
• 83. مدل‌های مکانی بیزی
• 84. کاربرد MCMC در اقتصاد سنجی بیزی
• 85. مدل‌های اقتصاد سنجی با رویکرد بیزی
• 86. کاربرد MCMC در یادگیری ماشین بیزی
• 87. مدل‌های یادگیری ماشین پیشرفته بیزی
• 88. مدل‌های تولیدی بیزی
• 89. مدل‌های تولیدی با استفاده از MCMC
• 90. ملاحظات عملی در پیاده‌سازی MCMC
• 91. بهینه‌سازی کد MCMC
• 92. استفاده از سخت‌افزارهای موازی
• 93. بررسی حساسیت به پیشین‌ها
• 94. ارزیابی مدل‌های بیزی
• 95. مقایسه مدل‌های مختلف بیزی
• 96. مقدمه‌ای بر روش‌های جایگزین MCMC
• 97. روش‌های نمونه‌گیری از تابع چگالی (Density Sampling)
• 98. روش‌های مبتنی بر بهینه‌سازی
• 99. کاربردهای پیشرفته استنتاج علی بیزی
• 100. استنتاج علی در داده‌های مشاهده‌ای