فلش‌کارت‌های آموزشی کشف قدرت استدلال بیزی با Think Bayes

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب کشف قدرت استدلال بیزی با Think Bayes

موضوع کلی: مقدمه‌ای بر آمار بیزی با استفاده از پایتون

موضوع میانی: مفاهیم و کاربردهای آمار بیزی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه به استدلال بیزی
• 2. چرا استدلال بیزی؟
• 3. مزایای رویکرد بیزی
• 4. مفاهیم کلیدی: احتمال، باور
• 5. مفهوم احتمال پیشین (Prior)
• 6. مفهوم احتمال درستنمایی (Likelihood)
• 7. مفهوم احتمال پسین (Posterior)
• 8. قضیه بیز: قلب استدلال بیزی
• 9. فرمول قضیه بیز
• 10. کاربرد قضیه بیز در عمل
• 11. مثال ساده: پرتاب سکه
• 12. توزیع پیشین برای سکه
• 13. توزیع درستنمایی برای سکه
• 14. محاسبه توزیع پسین برای سکه
• 15. تفسیر نتایج بیزی
• 16. توزیع‌های احتمالی
• 17. توزیع برنولی
• 18. توزیع دوجمله‌ای
• 19. توزیع گوسی (نرمال)
• 20. توزیع اپسیلن (Beta)
• 21. توزیع پواسون
• 22. توزیع هندسی
• 23. توزیع نمایی
• 24. معرفی کتاب Think Bayes
• 25. نصب و راه‌اندازی Python برای Think Bayes
• 26. کتابخانه SciPy برای محاسبات علمی
• 27. کتابخانه NumPy برای کار با آرایه‌ها
• 28. کتابخانه Matplotlib برای رسم نمودار
• 29. مقدمه بر مدل‌سازی بیزی
• 30. تعریف مدل بیزی
• 31. مولفه‌های مدل بیزی
• 32. انتخاب توزیع پیشین مناسب
• 33. اهمیت انتخاب توزیع پیشین
• 34. توزیع‌های پیشین غیر-اطلاعاتی (Non-informative Priors)
• 35. توزیع‌های پیشین اطلاعاتی (Informative Priors)
• 36. توزیع پیشین یکنواخت (Uniform Prior)
• 37. توزیع پیشین ژوفری (Jeffreys Prior)
• 38. توزیع پیشین هِگِو (Hegewald Prior)
• 39. استدلال بیزی برای مسائل طبقه‌بندی
• 40. مثال: تشخیص اسپم ایمیل
• 41. ساخت مدل بیزی برای تشخیص اسپم
• 42. احتمال پیشین کلمات
• 43. احتمال درستنمایی کلمات در اسپم و غیر-اسپم
• 44. محاسبه احتمال پسین برای ایمیل جدید
• 45. بهبود مدل تشخیص اسپم
• 46. استدلال بیزی برای مسائل رگرسیون
• 47. مثال: پیش‌بینی قیمت مسکن
• 48. مدل رگرسیون خطی بیزی
• 49. توزیع پیشین برای ضرایب رگرسیون
• 50. توزیع درستنمایی برای باقی‌مانده‌ها
• 51. محاسبه توزیع پسین برای ضرایب
• 52. تفسیر نتایج رگرسیون بیزی
• 53. مقایسه با رگرسیون کلاسیک
• 54. استدلال بیزی برای آزمایش A/B
• 55. مثال: مقایسه دو نسخه از یک وب‌سایت
• 56. تعریف فرضیه‌های آزمایش
• 57. احتمال پیشین برای نرخ تبدیل
• 58. توزیع درستنمایی برای نرخ تبدیل
• 59. محاسبه احتمال پسین برای نرخ تبدیل هر نسخه
• 60. مقایسه نرخ تبدیل‌ها با استفاده از استدلال بیزی
• 61. تصمیم‌گیری بر اساس نتایج بیزی
• 62. استدلال بیزی در یادگیری ماشین
• 63. مقدمه بر طبقه‌بندی بیزی ساده (Naive Bayes Classifier)
• 64. نحوه کار طبقه‌بندی بیزی ساده
• 65. کاربردها و محدودیت‌های بیزی ساده
• 66. پیاده‌سازی بیزی ساده با Python
• 67. استدلال بیزی برای مسائل پیش‌بینی سری زمانی
• 68. مثال: پیش‌بینی آب و هوا
• 69. مدل‌های سری زمانی بیزی
• 70. پیاده‌سازی مدل‌های ساده سری زمانی با Think Bayes
• 71. تکنیک‌های نمونه‌برداری بیزی
• 72. مقدمه بر روش‌های مونت کارلو زنجیره مارکوف (MCMC)
• 73. مفهوم نمونه‌گیری MCMC
• 74. مزایای MCMC
• 75. معرفی کتابخانه PyMC3
• 76. پیاده‌سازی مدل‌های پیچیده‌تر با PyMC3
• 77. نمونه‌برداری از توزیع‌های پسین پیچیده
• 78. ارزیابی همگرایی MCMC
• 79. معیارهای ارزیابی همگرایی MCMC
• 80. تنظیم پارامترهای MCMC
• 81. استدلال بیزی در علم داده
• 82. کاربرد استدلال بیزی در اکتشاف داده
• 83. استفاده از استدلال بیزی برای اعتبارسنجی مدل
• 84. مقایسه مدل‌های مختلف با معیارهای بیزی
• 85. استدلال بیزی برای تفسیر نتایج آماری
• 86. اهمیت تفسیر احتمالی نتایج
• 87. چالش‌ها در استدلال بیزی
• 88. انتخاب توزیع پیشین مناسب (ادامه)
• 89. مشکلات محاسباتی با مدل‌های پیچیده
• 90. پیچیدگی در تفسیر نتایج
• 91. مقایسه رویکرد بیزی با رویکرد فرکانسی
• 92. مزایا و معایب هر دو رویکرد
• 93. چه زمانی از کدام رویکرد استفاده کنیم؟
• 94. استدلال بیزی در علوم اجتماعی
• 95. مثال: تحلیل نظرسنجی‌ها
• 96. مدل‌سازی باورها و عقاید با استدلال بیزی
• 97. استدلال بیزی در پزشکی
• 98. مثال: تشخیص بیماری
• 99. احتمال پیشین بیماری
• 100. احتمال درستنمایی تست مثبت/منفی