دوره کاربرد BUGS در مسائل واقعی آماری همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد BUGS در مسائل واقعی آماری

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

موضوع میانی: BUGS (WinBUGS, OpenBUGS)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر مدل های خطی تعمیم یافته (GLM)
• 2. مفاهیم پایه ای رگرسیون خطی
• 3. مفروضات رگرسیون خطی کلاسیک
• 4. تشخیص و رفع نقض مفروضات رگرسیون
• 5. مقدمه ای بر توزیع های آماری مرتبط با GLM
• 6. توزیع گوسی و کاربرد آن در رگرسیون
• 7. توزیع پواسون و کاربرد آن در شمارش رویداد
• 8. توزیع برنولی و کاربرد آن در داده های دودویی
• 9. توزیع دوجمله ای و کاربرد آن در نسبت ها
• 10. توزیع گاما و کاربرد آن در داده های مثبت
• 11. توزیع بتا و کاربرد آن در داده های نسبتی
• 12. تابع پیوند (Link Function) در GLM
• 13. نقش تابع پیوند در ارتباط متغیر پاسخ و پیش بین ها
• 14. تابع پیوند لگاریتمی (Log Link)
• 15. تابع پیوند هویت (Identity Link)
• 16. تابع پیوند معکوس (Inverse Link)
• 17. تابع پیوند مربع معکوس (Inverse Square Link)
• 18. تابع پیوند لاجیت (Logit Link)
• 19. تابع پیوند پروبیت (Probit Link)
• 20. تابع پیوند کوف-لاگ-لاگ (Cove-Log-Log Link)
• 21. تابع درستنمایی (Likelihood Function) در GLM
• 22. برآورد حداکثر درستنمایی (Maximum Likelihood Estimation)
• 23. روش گشتاورها (Method of Moments)
• 24. مقایسه روش های برآورد پارامترها
• 25. معیارهای ارزیابی برازش مدل GLM
• 26. آماره نسبت درستنمایی (Likelihood Ratio Test)
• 27. آماره والد (Wald Test)
• 28. آماره امتیاز (Score Test)
• 29. تفسیر ضرایب مدل GLM
• 30. استانداردسازی ضرایب در GLM
• 31. مدل های خطی تعمیم یافته برای داده های شمارشی
• 32. مدل رگرسیون پواسون
• 33. فرضیات مدل رگرسیون پواسون
• 34. تشخیص و رفع بیش پراکندگی (Overdispersion) در مدل پواسون
• 35. مدل رگرسیون دوجمله ای منفی (Negative Binomial Regression)
• 36. کاربرد مدل دوجمله ای منفی در داده های بیش پراکنده
• 37. مدل های خطی تعمیم یافته برای داده های دودویی
• 38. مدل رگرسیون لجستیک
• 39. تفسیر ضرایب در رگرسیون لجستیک
• 40. نسبت شانس (Odds Ratio) و تفسیر آن
• 41. منحنی مشخصه عملکرد گیرنده (ROC Curve)
• 42. مساحت زیر منحنی ROC (AUC)
• 43. مدل رگرسیون پروبیت
• 44. مقایسه رگرسیون لجستیک و پروبیت
• 45. مدل های خطی تعمیم یافته برای داده های طبقه بندی چندگانه
• 46. مدل رگرسیون لجستیک چندگانه (Multinomial Logistic Regression)
• 47. مدل رگرسیون ترتیبی (Ordinal Logistic Regression)
• 48. مدل های خطی تعمیم یافته برای داده های بقا (Survival Analysis)
• 49. منحنی کاپلان-مایر (Kaplan-Meier Curve)
• 50. مدل رگرسیون کوکس (Cox Proportional Hazards Model)
• 51. مقدمه ای بر مدل های خطی تعمیم یافته غیرپارامتری
• 52. توابع هموارساز (Smoothing Functions)
• 53. روش های تخمین تابع هموارساز
• 54. مدل های افزایشی تعمیم یافته (Generalized Additive Models - GAMs)
• 55. کاربرد GAMs در داده های پیچیده
• 56. مقایسه GLM و GAM
• 57. مقدمه ای بر تحلیل سری های زمانی با GLM
• 58. مدل های ARIMA برای داده های شمارشی
• 59. مدل های GARCH برای نوسانات
• 60. مقدمه ای بر تحلیل داده های فضایی با GLM
• 61. مدل های رگرسیون فضایی
• 62. مقدمه ای بر تحلیل داده های پانل با GLM
• 63. مدل های اثرات ثابت و تصادفی
• 64. کاربرد GLM در مدل سازی ریسک اعتباری
• 65. مدل سازی احتمال ن Default
• 66. کاربرد GLM در مدل سازی ریسک بیمه
• 67. مدل سازی خسارت بیمه
• 68. کاربرد GLM در بازاریابی و پیش بینی رفتار مشتری
• 69. مدل سازی احتمال خرید
• 70. کاربرد GLM در علوم زیستی و پزشکی
• 71. مدل سازی نتایج بالینی
• 72. کاربرد GLM در علوم اجتماعی
• 73. مدل سازی پیمایش ها
• 74. کاربرد GLM در علوم محیط زیست
• 75. مدل سازی داده های زیست محیطی
• 76. مقدمه ای بر نرم افزارهای آماری برای GLM (R, Python, Stata)
• 77. پیاده سازی GLM در R
• 78. پیاده سازی GLM در Python
• 79. پیاده سازی GLM در Stata
• 80. ملاحظات عملی در بکارگیری GLM
• 81. انتخاب متغیرهای پیش بین مناسب
• 82. ارزیابی اعتبار مدل های GLM
• 83. گزارش دهی نتایج GLM
• 84. محدودیت های GLM
• 85. راهکارهای پیشرفته در GLM
• 86. مقدمه ای بر مدل های سلسله مراتبی (Hierarchical Models)
• 87. کاربرد مدل های سلسله مراتبی با GLM
• 88. مقدمه ای بر مدل های مخلوط (Mixed Models)
• 89. کاربرد مدل های مخلوط با GLM
• 90. مقدمه ای بر یادگیری ماشین و GLM
• 91. شباهت ها و تفاوت ها
• 92. کاربرد GLM در انتخاب ویژگی (Feature Selection)
• 93. کاربرد GLM در کاهش ابعاد (Dimensionality Reduction)
• 94. مقدمه ای بر روش های بیزی در GLM
• 95. استنتاج بیزی برای GLM
• 96. مقدمه ای بر مدل سازی رویدادهای نادر
• 97. تکنیک های نمونه گیری برای رویدادهای نادر
• 98. مقدمه ای بر مدل سازی داده های پرت (Outlier Detection)
• 99. روش های شناسایی داده های پرت در GLM
• 100. مقدمه ای بر مدل سازی داده های از دست رفته (Missing Data)