فلش‌کارت‌های آموزشی MCMC برای مدل‌های آماری: راهنمای عملی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب MCMC برای مدل‌های آماری: راهنمای عملی

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

موضوع میانی: کاربرد MCMC در مدل‌های آماری

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه به مدل‌سازی آماری
• 2. مبانی احتمالات
• 3. مفاهیم کلیدی آمار
• 4. انواع مدل‌های آماری
• 5. نیاز به روش‌های محاسباتی در آمار
• 6. محدودیت‌های روش‌های تحلیلی
• 7. معرفی شبیه‌سازی مونت کارلو
• 8. مفهوم نمونه‌گیری
• 9. کاربرد شبیه‌سازی مونت کارلو در آمار
• 10. محدودیت‌های شبیه‌سازی مونت کارلو ساده
• 11. معرفی زنجیره‌های مارکوف
• 12. مفهوم حالت و گذار
• 13. قضیه حد مرکزی برای زنجیره‌های مارکوف
• 14. معرفی الگوریتم‌های MCMC
• 15. هدف اصلی MCMC
• 16. تفاوت MCMC با شبیه‌سازی مونت کارلو ساده
• 17. مزایای MCMC
• 18. معایب MCMC
• 19. تاریخچه MCMC
• 20. کاربردهای MCMC در علوم مختلف
• 21. مقدمه به توزیع‌های پسین
• 22. قضیه بیز
• 23. قانون بیز
• 24. توزیع پیشین
• 25. توزیع درستنمایی
• 26. توزیع پسین
• 27. چالش‌های محاسبه توزیع پسین
• 28. نقش MCMC در تخمین توزیع پسین
• 29. انتخاب مدل آماری
• 30. انتخاب توزیع پیشین
• 31. انتخاب توزیع درستنمایی
• 32. پیاده‌سازی الگوریتم‌های MCMC
• 33. الگوریتم گیبس (Gibbs Sampling)
• 34. مفهوم گیبس سمپلینگ
• 35. شرایط لازم برای گیبس سمپلینگ
• 36. نحوه پیاده‌سازی گیبس سمپلینگ
• 37. مثال‌های کاربردی گیبس سمپلینگ
• 38. الگوریتم متروپلیس-هستینگز (Metropolis-Hastings)
• 39. مفهوم متروپلیس-هستینگز
• 40. مرحله پیشنهاد (Proposal Step)
• 41. مرحله پذیرش (Acceptance Step)
• 42. تابع پیشنهاد (Proposal Distribution)
• 43. نحوه پیاده‌سازی متروپلیس-هستینگز
• 44. مثال‌های کاربردی متروپلیس-هستینگز
• 45. مقایسه گیبس سمپلینگ و متروپلیس-هستینگز
• 46. انتخاب تابع پیشنهاد مناسب
• 47. مقدمه به همگرایی (Convergence)
• 48. مفهوم همگرایی در MCMC
• 49. مشکلات همگرایی
• 50. روش‌های تشخیص همگرایی
• 51. نمودارهای سری زمانی (Trace Plots)
• 52. آماره‌های ران (Running Statistics)
• 53. آزمون‌های رسمی همگرایی (مانند Gelman-Rubin)
• 54. دوره‌های گرم کردن (Burn-in Period)
• 55. انتخاب طول دوره گرم کردن
• 56. تأثیر دوره گرم کردن بر نتایج
• 57. مقدمه به کارایی الگوریتم (Efficiency)
• 58. مفهوم کارایی الگوریتم
• 59. همبستگی بین نمونه‌ها (Autocorrelation)
• 60. اهمیت کاهش همبستگی
• 61. اندازه مؤثر نمونه (Effective Sample Size - ESS)
• 62. محاسبه ESS
• 63. روش‌های افزایش کارایی
• 64. استفاده از تابع پیشنهاد بهتر
• 65. تکنیک‌های نمونه‌گیری پیشرفته
• 66. مثال‌های کاربردی MCMC در مدل‌های رگرسیون خطی
• 67. کاربرد MCMC در مدل‌های رگرسیون لجستیک
• 68. MCMC برای مدل‌های سلسله مراتبی (Hierarchical Models)
• 69. MCMC در مدل‌های سری زمانی
• 70. MCMC در مدل‌های فضایی
• 71. MCMC در یادگیری ماشین
• 72. کاربرد MCMC در شبکه‌های بیزی
• 73. MCMC در بهینه‌سازی بیزی
• 74. مقدمه به نرم‌افزارها و کتابخانه‌های MCMC
• 75. استفاده از R برای MCMC (بسته rstan, JAGS)
• 76. استفاده از Python برای MCMC (بسته PyMC, Stan)
• 77. استفاده از نرم‌افزارهای تخصصی (مانند WinBUGS, OpenBUGS)
• 78. نکات عملی در پیاده‌سازی MCMC
• 79. اشکال‌زدایی (Debugging) در MCMC
• 80. ارزیابی نتایج MCMC
• 81. تفسیر نتایج توزیع پسین
• 82. ارائه نتایج MCMC
• 83. ملاحظات اخلاقی در استفاده از MCMC
• 84. محدودیت‌های MCMC
• 85. آینده MCMC
• 86. مباحث پیشرفته در MCMC
• 87. نمونه‌گیری از طریق اهمیت (Importance Sampling)
• 88. روش‌های نمونه‌گیری نمونه‌گیری ترکیبی (Mixture Sampling)
• 89. روش‌های نمونه‌گیری برداری (Vectorized Sampling)
• 90. کاربرد MCMC در مدل‌های پیچیده
• 91. مقدمه به مدل‌سازی موضوعی (Topic Modeling)
• 92. کاربرد MCMC در مدل‌های احتمالاتی گرافیکی
• 93. مقدمه به روش‌های بیزین در آمار
• 94. تفاوت رویکرد بیزین و فراوانی‌گرا
• 95. کاربرد MCMC در استنتاج بیزین
• 96. بررسی حساسیت به توزیع پیشین
• 97. انتخاب توزیع پیشین غیر-اطلاعاتی (Non-informative Priors)
• 98. انتخاب توزیع پیشین اطلاعاتی (Informative Priors)
• 99. تأثیر انتخاب پیشین بر نتایج پسین
• 100. اهمیت انتخاب مدل مناسب