دوره تحلیل داده‌های پیچیده با GLM و MCMC: یک راهنمای عملی گام به گام و تحلیلی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های پیچیده با GLM و MCMC: یک راهنمای عملی گام به گام و تحلیلی

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

موضوع میانی: استنتاج مبتنی بر مدل‌های خطی تعمیم‌یافته (GLM)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 2. مبانی رگرسیون خطی کلاسیک
• 3. توزیع‌های احتمال رایج در GLM (گوسی، برنولی، پواسون)
• 4. تابع پیوند و نقش آن در GLM
• 5. مدل‌های رگرسیون لجستیک برای داده‌های دودویی
• 6. مدل‌های رگرسیون پواسون برای داده‌های شمارشی
• 7. مدل‌های رگرسیون گاما برای داده‌های مثبت و ناهمگن
• 8. مدل‌های رگرسیون بتا برای نسبت‌ها و درصدها
• 9. مقدمه‌ای بر روش‌های زنجیره مارکوف مونت کارلو (MCMC)
• 10. مبانی نمونه‌گیری مونت کارلو
• 11. مفهوم زنجیره مارکوف
• 12. الگوریتم Metropolis-Hastings
• 13. نمونه‌گیری گیبس (Gibbs Sampling)
• 14. تشخیص همگرایی در MCMC
• 15. معیارهای ارزیابی همگرایی (Gelman-Rubin, R-hat)
• 16. کتابخانه‌های نرم‌افزاری برای MCMC (JAGS, Stan, PyMC)
• 17. پیاده‌سازی GLM با استفاده از MCMC
• 18. مدل‌سازی آماری در محیط‌های علمی و پژوهشی
• 19. اهمیت مدل‌سازی آماری در تحلیل داده‌های پیچیده
• 20. مبانی اندازه‌گیری عدم قطعیت در مدل‌های آماری
• 21. تفاوت رویکردهای بیزی و فراوانی‌گرا در مدل‌سازی
• 22. مزایای رویکرد بیزی در مدل‌سازی
• 23. مقدمه‌ای بر مدل‌های سلسله مراتبی
• 24. مدل‌های خطی سلسله مراتبی
• 25. رگرسیون سلسله مراتبی برای داده‌های گروهی
• 26. مدل‌های MCMC برای مدل‌های سلسله مراتبی
• 27. کاربرد MCMC در تخمین پارامترهای مدل‌های پیچیده
• 28. مدل‌سازی ناهمگنی در داده‌ها با MCMC
• 29. تحلیل داده‌های طولی با GLM و MCMC
• 30. مدل‌های مختلط برای داده‌های طولی
• 31. تحلیل بقا با استفاده از مدل‌های GLM
• 32. مدل‌های کاکس (Cox Proportional Hazards)
• 33. تفسیر ضرایب در مدل‌های بقا
• 34. کاربرد MCMC در مدل‌های بقا
• 35. تحلیل داده‌های مکانی با GLM و MCMC
• 36. مدل‌های رگرسیون مکانی
• 37. مدل‌های خودرگرسیو مکانی (CAR)
• 38. مدل‌های خودهمبسته مکانی (SAR)
• 39. کاربرد MCMC در مدل‌های مکانی
• 40. تحلیل داده‌های شبکه‌ای با GLM و MCMC
• 41. مقدمه‌ای بر مدل‌های گرافیکی
• 42. مدل‌های شبکه‌ای بیزی
• 43. کاربرد MCMC در مدل‌های شبکه‌ای
• 44. مدل‌سازی ساختار ارتباطی با MCMC
• 45. تحلیل سری‌های زمانی با GLM و MCMC
• 46. مدل‌های ARIMA و GARCH
• 47. مدل‌های فضایی-زمانی
• 48. کاربرد MCMC در مدل‌های سری زمانی
• 49. پیش‌بینی با استفاده از مدل‌های GLM و MCMC
• 50. ارزیابی عملکرد مدل پیش‌بینی
• 51. اعتبارسنجی متقابل (Cross-validation)
• 52. بهینه‌سازی مدل‌های GLM و MCMC
• 53. تکنیک‌های انتخاب مدل
• 54. تفسیرپذیری مدل‌های پیچیده
• 55. تجسم نتایج مدل‌های GLM و MCMC
• 56. نمودارهای پیش‌بینی و بازه‌های اطمینان
• 57. نمودارهای توزیع پسین پارامترها
• 58. کاربرد GLM و MCMC در علوم زیستی
• 59. مدل‌سازی داده‌های ژنومیک
• 60. تحلیل داده‌های اپیدمیولوژیک
• 61. کاربرد GLM و MCMC در علوم اجتماعی
• 62. تحلیل داده‌های پیمایشی
• 63. مدل‌سازی رفتار رای‌دهندگان
• 64. کاربرد GLM و MCMC در علوم اقتصادی
• 65. مدل‌سازی ریسک اعتباری
• 66. تحلیل بازارهای مالی
• 67. کاربرد GLM و MCMC در مهندسی
• 68. مدل‌سازی قابلیت اطمینان
• 69. تحلیل داده‌های حسگرها
• 70. کاربرد GLM و MCMC در محیط زیست
• 71. مدل‌سازی آلودگی هوا
• 72. تحلیل داده‌های تغییرات اقلیمی
• 73. ملاحظات اخلاقی در تحلیل داده‌های پیچیده
• 74. حفظ حریم خصوصی داده‌ها
• 75. شفافیت در مدل‌سازی
• 76. مسئولیت‌پذیری در نتایج آماری
• 77. مباحث پیشرفته در GLM
• 78. تعمیم مدل‌های خطی به مدل‌های غیرخطی
• 79. مدل‌های افزایشی (Additive Models)
• 80. مدل‌های افزودنی تعمیم‌یافته (GAM)
• 81. کاربرد MCMC در GAM
• 82. مباحث پیشرفته در MCMC
• 83. روش‌های نمونه‌گیری پیشرفته (Hamiltonian Monte Carlo)
• 84. روش‌های کاهش واریانس
• 85. ارزیابی و بهبود کارایی MCMC
• 86. شبکه‌های عصبی بیزی
• 87. مدل‌های یادگیری عمیق با رویکرد بیزی
• 88. کاربرد MCMC در شبکه‌های عصبی
• 89. تکنیک‌های تنظیم مدل‌های پیچیده
• 90. تنظیم مدل برای جلوگیری از بیش‌برازش (Overfitting)
• 91. تنظیم مدل برای جلوگیری از کم‌برازش (Underfitting)
• 92. بررسی حساسیت مدل به مفروضات
• 93. تحلیل سناریوهای مختلف
• 94. ارزیابی تاثیر عدم قطعیت ورودی‌ها
• 95. مدل‌سازی داده‌های پرت (Outliers)
• 96. روش‌های شناسایی و مدیریت داده‌های پرت
• 97. تأثیر داده‌های پرت بر نتایج مدل
• 98. مدل‌سازی داده‌های گمشده (Missing Data)
• 99. روش‌های جایگزینی داده‌های گمشده
• 100. مدل‌سازی مستقیم داده‌های گمشده با MCMC