دوره JAGS و کارایی: چگونه با محدودیت‌ها کنار بیاییم؟ همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره JAGS و کارایی: چگونه با محدودیت‌ها کنار بیاییم؟

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

موضوع میانی: محدودیت‌ها و قابلیت‌های JAGS

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نرم‌افزار JAGS
• 2. نصب و راه‌اندازی JAGS
• 3. مبانی مدل‌سازی احتمالی
• 4. معرفی مدل‌های بیزی
• 5. زبان مدل‌سازی BUGS
• 6. ساختار مدل در JAGS
• 7. تعریف متغیرهای تصادفی
• 8. تعریف توزیع‌های پیشین
• 9. تعریف توزیع‌های درست‌نما
• 10. چگونگی تعریف توزیع‌های شرطی
• 11. مثال‌های ساده مدل‌سازی
• 12. مدل رگرسیون خطی بیزی
• 13. مدل رگرسیون لجستیک بیزی
• 14. مدل سری زمانی ساده
• 15. مدل‌های سلسله‌مراتبی
• 16. مزایای مدل‌های سلسله‌مراتبی
• 17. ساختار مدل‌های سلسله‌مراتبی در JAGS
• 18. مثال مدل سلسله‌مراتبی
• 19. مدل‌های نرمال چندمتغیره
• 20. مدل‌های خطای تصادفی
• 21. مدل‌های خطای سیستماتیک
• 22. مدل‌های ترکیبی
• 23. مدل‌های اندازه‌گیری
• 24. مدل‌های پنهان مارکوف
• 25. مدل‌های پراکندگی
• 26. مدل‌های بقا
• 27. مدل‌های داده‌های گمشده
• 28. روش‌های نمونه‌گیری مارکوف چین مونت کارلو (MCMC)
• 29. مبانی MCMC
• 30. الگوریتم گیبس سمپلینگ
• 31. الگوریتم متروپلیس-هستینگز
• 32. تشخیص همگرایی در MCMC
• 33. معیارهای همگرایی
• 34. نمودارهای Trace
• 35. شاخص‌های همگرایی (Gelman-Rubin)
• 36. تنظیم پارامترهای MCMC
• 37. افزایش کارایی نمونه‌گیری
• 38. استفاده از پارامترهای پیشین قوی
• 39. انتخاب توزیع‌های پیشین مناسب
• 40. تأثیر پیشین‌ها بر نتایج
• 41. مدل‌سازی با داده‌های محدود
• 42. مدل‌سازی با داده‌های پرت
• 43. مدل‌سازی با داده‌های نامشخص
• 44. مدل‌سازی با داده‌های طبقه‌بندی شده
• 45. مدل‌سازی با داده‌های ترتیبی
• 46. مدل‌سازی با داده‌های شمارشی
• 47. مدل‌سازی با داده‌های طولانی‌مدت
• 48. مدل‌سازی داده‌های مکانی
• 49. مدل‌سازی داده‌های شبکه‌ای
• 50. ارزیابی برازش مدل
• 51. شاخص‌های اطلاعاتی (DIC, WAIC)
• 52. تحلیل باقی‌مانده‌ها
• 53. اعتبارسنجی مدل
• 54. مقایسه مدل‌ها
• 55. استفاده از JAGS با R
• 56. مقدمه‌ای بر بسته rjags
• 57. نوشتن مدل‌های JAGS در R
• 58. اجرای مدل‌ها در R
• 59. واکشی نتایج از JAGS در R
• 60. تجسم نتایج در R
• 61. استفاده از JAGS با Python
• 62. مقدمه‌ای بر بسته PyJAGS
• 63. نوشتن مدل‌های JAGS در Python
• 64. اجرای مدل‌ها در Python
• 65. واکشی نتایج از JAGS در Python
• 66. تجسم نتایج در Python
• 67. مدل‌سازی در حوزه‌های علمی
• 68. کاربرد در زیست‌شناسی آماری
• 69. کاربرد در علوم اعصاب محاسباتی
• 70. کاربرد در علوم اجتماعی محاسباتی
• 71. کاربرد در اقتصادسنجی بیزی
• 72. کاربرد در علوم محیطی
• 73. کاربرد در بهداشت عمومی
• 74. کاربرد در مهندسی
• 75. کاربرد در مدیریت ریسک
• 76. کاربرد در علوم داده
• 77. مدل‌سازی پیشرفته
• 78. مدل‌های غیرخطی
• 79. مدل‌های پویا
• 80. مدل‌های مکانی-زمانی
• 81. مدل‌های چندسطحی در JAGS
• 82. مدل‌های گرافیکی بیزی
• 83. مدل‌های ساختاری معادلات
• 84. مدل‌های بیزی برای داده‌های بزرگ
• 85. بهینه‌سازی مدل‌ها
• 86. نکات کاربردی و ترفندها
• 87. اشکال‌زدایی در مدل‌های JAGS
• 88. خطاهای رایج در مدل‌سازی بیزی
• 89. مدیریت حافظه و زمان اجرا
• 90. ملاحظات اخلاقی در مدل‌سازی
• 91. مستندسازی مدل‌ها
• 92. کاربرد در پژوهش‌های رسمی کشور
• 93. انطباق مدل‌ها با چارچوب‌های شرعی
• 94. مدل‌سازی در حوزه اقتصاد اسلامی
• 95. مدل‌سازی در حوزه بانکداری بدون ربا
• 96. مدل‌سازی در حوزه خانواده و تربیت
• 97. مدل‌سازی در حوزه سلامت و طب
• 98. مدل‌سازی در حوزه علوم اجتماعی اسلامی