دوره پردازش مدل‌های مدل‌های آمیخته (Mixture Models) با MCMC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش مدل‌های مدل‌های آمیخته (Mixture Models) با MCMC

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

موضوع میانی: پشتیبانی از انواع توزیع‌ها و مدل‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌های آمیخته
• 2. مفهوم و کاربردهای مدل‌های آمیخته
• 3. انواع مدل‌های آمیخته
• 4. مدل‌های آمیخته گوسی (Gaussian Mixture Models)
• 5. تخمین پارامترها در مدل‌های آمیخته
• 6. روش حداکثر درستنمایی (Maximum Likelihood Estimation)
• 7. روش گشتاورها (Method of Moments)
• 8. الگوریتم امید ریاضی-بیشینه‌سازی (EM Algorithm)
• 9. پیاده‌سازی الگوریتم EM برای مدل‌های آمیخته گوسی
• 10. ارزیابی مدل‌های آمیخته
• 11. معیارهای انتخاب مدل (AIC, BIC)
• 12. آزمون نسبت درستنمایی (Likelihood Ratio Test)
• 13. اعتبارسنجی متقابل (Cross-Validation)
• 14. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 15. مفاهیم اساسی MCMC
• 16. پذیرش-رد (Metropolis-Hastings Algorithm)
• 17. نمونه‌گیری گیبس (Gibbs Sampling)
• 18. کاربرد MCMC در مدل‌های آمیخته
• 19. تخمین پارامترها با MCMC
• 20. مزایا و معایب MCMC نسبت به EM
• 21. بررسی همگرایی در MCMC
• 22. روش‌های ارزیابی همگرایی MCMC
• 23. مدل‌های آمیخته با توزیع‌های غیرگوسی
• 24. مدل‌های آمیخته پواسون
• 25. مدل‌های آمیخته برنولی
• 26. مدل‌های آمیخته چندجمله‌ای
• 27. مدل‌های آمیخته پارتو
• 28. کاربرد مدل‌های آمیخته در خوشه‌بندی (Clustering)
• 29. خوشه‌بندی مبتنی بر مدل‌های آمیخته
• 30. ارزیابی کیفیت خوشه‌بندی
• 31. کاربرد مدل‌های آمیخته در تشخیص ناهنجاری (Anomaly Detection)
• 32. مدل‌سازی توزیع نرمال داده‌ها
• 33. شناسایی نقاط پرت
• 34. مدل‌های آمیخته در تحلیل سری‌های زمانی
• 35. مدل‌های آمیخته برای داده‌های سری زمانی
• 36. پیش‌بینی با استفاده از مدل‌های آمیخته سری زمانی
• 37. مدل‌های آمیخته در پردازش تصویر
• 38. کاربرد مدل‌های آمیخته در بخش‌بندی تصویر
• 39. مدل‌های آمیخته برای تشخیص اشیاء
• 40. مدل‌های آمیخته در پردازش زبان طبیعی
• 41. مدل‌های موضوعی (Topic Models)
• 42. مدل لاتنت دیریکله تخصیص (LDA)
• 43. کاربرد مدل‌های آمیخته در مدل‌سازی انتخاب (Choice Modeling)
• 44. مدل‌های انتخاب گسسته
• 45. مدل‌های آمیخته برای انتخاب‌های پیچیده
• 46. مدل‌های آمیخته سلسله‌مراتبی (Hierarchical Mixture Models)
• 47. ساختار مدل‌های آمیخته سلسله‌مراتبی
• 48. تخمین پارامترها در مدل‌های آمیخته سلسله‌مراتبی
• 49. کاربرد مدل‌های آمیخته سلسله‌مراتبی
• 50. مدل‌های آمیخته با متغیرهای پنهان (Latent Variable Models)
• 51. مفهوم متغیرهای پنهان
• 52. ارتباط مدل‌های آمیخته با مدل‌های متغیر پنهان
• 53. مدل‌های آمیخته برای داده‌های پرتعداد (Big Data)
• 54. مقیاس‌پذیری الگوریتم‌های MCMC
• 55. روش‌های موازی‌سازی MCMC
• 56. روش‌های نمونه‌گیری تقریبی
• 57. مدل‌های آمیخته در علوم زیستی
• 58. کاربرد در ژنتیک و ژنومیک
• 59. مدل‌سازی داده‌های بیان ژن
• 60. مدل‌های آمیخته در اقتصاد
• 61. مدل‌سازی رفتار مصرف‌کننده
• 62. مدل‌سازی ریسک
• 63. مدل‌های آمیخته در علوم اجتماعی
• 64. تحلیل پیمایش‌ها
• 65. مدل‌سازی رفتار رای‌دهی
• 66. مدل‌های آمیخته در مهندسی
• 67. کنترل کیفیت
• 68. تحلیل قابلیت اطمینان
• 69. مقدمه‌ای بر نرم‌افزار R برای MCMC
• 70. نصب و راه‌اندازی بسته‌های MCMC
• 71. کاربرد بسته‌های MCMC در مدل‌های آمیخته
• 72. پیاده‌سازی مدل‌های آمیخته گوسی با R
• 73. پیاده‌سازی الگوریتم EM با R
• 74. پیاده‌سازی Metropolis-Hastings با R
• 75. پیاده‌سازی Gibbs Sampling با R
• 76. مثال‌های عملی MCMC در R
• 77. مدل‌سازی مالی با MCMC
• 78. تحلیل داده‌های بالینی با MCMC
• 79. تحلیل داده‌های زیست‌محیطی با MCMC
• 80. مقدمه‌ای بر کتابخانه Stan
• 81. نصب و راه‌اندازی Stan
• 82. نوشتن مدل‌ها در زبان Stan
• 83. کاربرد Stan در مدل‌های آمیخته
• 84. مثال‌های عملی با Stan
• 85. مدل‌سازی پیشرفته با MCMC
• 86. مدل‌های آمیخته با اثرات مختلط (Mixed Effects)
• 87. مدل‌های آمیخته خطی تعمیم‌یافته (GLMM)
• 88. کاربرد GLMM با MCMC
• 89. روش‌های نمونه‌گیری کارآمدتر MCMC
• 90. نمونه‌گیری با زنجیره متقابل (Coupled MCMC)
• 91. نمونه‌گیری با زنجیره موازی (Parallel MCMC)
• 92. روش‌های بهبود ارزیابی همگرایی
• 93. بررسی حساسیت مدل به پارامترهای اولیه
• 94. مدل‌های آمیخته در یادگیری عمیق
• 95. ترکیب مدل‌های آمیخته و شبکه‌های عصبی
• 96. مدل‌های آمیخته و شبکه‌های مولد تخاصمی (GANs)
• 97. موضوعات پیشرفته در مدل‌های آمیخته
• 98. مدل‌های آمیخته برای داده‌های ساختاریافته
• 99. مدل‌های آمیخته برای داده‌های گراف
• 100. تفسیر نتایج مدل‌های آمیخته پیچیده