فلش‌کارت‌های آموزشی مدل‌سازی بیزی مبتنی بر MCMC برای توزیع آلاینده‌ها در محیط زیست

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مدل‌سازی بیزی مبتنی بر MCMC برای توزیع آلاینده‌ها در محیط زیست

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

موضوع میانی: علوم محیطی (Environmental Science)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی احتمال و آمار در مدل‌سازی بیزی
• 2. مفاهیم کلیدی احتمال
• 3. متغیرهای تصادفی و توزیع‌ها
• 4. توزیع‌های احتمال گسسته و پیوسته
• 5. امید ریاضی و واریانس
• 6. قضیه بیز
• 7. قانون احتمال کل
• 8. احتمال شرطی
• 9. قضیه بیز و استنلال بیزی
• 10. مقدمات مدل‌سازی بیزی
• 11. پارامترهای مدل
• 12. توزیع پیشین (Prior Distribution)
• 13. توزیع درستنمایی (Likelihood Function)
• 14. توزیع پسین (Posterior Distribution)
• 15. ارتباط بین توزیع پیشین، درستنمایی و پسین
• 16. نمونه‌برداری از توزیع پسین
• 17. اهمیت نمونه‌برداری
• 18. نیاز به روش‌های نمونه‌برداری
• 19. معرفی روش‌های مونت کارلو زنجیره‌ای (MCMC)
• 20. اصول MCMC
• 21. زنجیره‌های مارکوف
• 22. خواص زنجیره‌های مارکوف
• 23. پایایی زنجیره‌های مارکوف
• 24. توزیع ایستای زنجیره مارکوف
• 25. ارتباط توزیع ایستا با توزیع پسین
• 26. الگوریتم‌های MCMC
• 27. معرفی الگوریتم‌های نمونه‌بردار گیبس (Gibbs Sampling)
• 28. نحوه عملکرد نمونه‌بردار گیبس
• 29. شرایط لازم برای نمونه‌بردار گیبس
• 30. مثال‌های ساده از نمونه‌بردار گیبس
• 31. معرفی الگوریتم متروپلیس-هستینگز (Metropolis-Hastings Algorithm)
• 32. مراحل الگوریتم متروپلیس-هستینگز
• 33. تابع پیشنهاد (Proposal Function)
• 34. نرخ پذیرش (Acceptance Rate)
• 35. مزایا و معایب متروپلیس-هستینگز
• 36. معرفی الگوریتم متروپلیس (Metropolis Algorithm)
• 37. حالت خاصی از متروپلیس-هستینگز
• 38. نمونه‌گیری از توزیع‌های پیچیده
• 39. کاربرد MCMC در مدل‌سازی بیزی
• 40. ارزیابی همگرایی MCMC
• 41. مفهوم همگرایی
• 42. نشانه‌های عدم همگرایی
• 43. روش‌های بصری ارزیابی همگرایی
• 44. نمودارهای ردیابی (Trace Plots)
• 45. نمودارهای چگالی (Density Plots)
• 46. نمودارهای جعبه‌ای (Box Plots)
• 47. روش‌های کمی ارزیابی همگرایی
• 48. تخمین نسبت اتلاف (Gelman-Rubin Statistic)
• 49. تخمین ضریب اتلاف (Autocorrelation)
• 50. تعداد نمونه‌های مؤثر (Effective Sample Size - ESS)
• 51. زمان لازم برای رسیدن به همگرایی
• 52. تنظیم پارامترهای الگوریتم MCMC
• 53. انتخاب تابع پیشنهاد مناسب
• 54. تنظیم اندازه گام (Step Size)
• 55. تنظیم نرخ پذیرش
• 56. اهمیت تنظیم پارامترها
• 57. مدل‌سازی توزیع آلاینده‌ها در محیط زیست
• 58. مقدمه‌ای بر آلودگی محیط زیست
• 59. انواع آلاینده‌ها (هوا، آب، خاک)
• 60. مسائل مرتبط با توزیع آلاینده‌ها
• 61. نیاز به مدل‌سازی دقیق
• 62. ملاحظات فضایی و زمانی در توزیع آلاینده‌ها
• 63. مدل‌های آماری برای توزیع آلاینده‌ها
• 64. مدل‌های رگرسیون خطی
• 65. مدل‌های رگرسیون غیرخطی
• 66. مدل‌های مکانی (Spatial Models)
• 67. مدل‌های زمانی (Temporal Models)
• 68. مدل‌های فضایی-زمانی (Spatio-Temporal Models)
• 69. مدل‌سازی بیزی برای توزیع آلاینده‌ها
• 70. انتخاب توزیع پیشین مناسب برای پارامترهای مدل
• 71. توزیع‌های پیشین برای پارامترهای مکانی
• 72. توزیع‌های پیشین برای پارامترهای زمانی
• 73. توزیع‌های پیشین برای پارامترهای متغیرهای توضیحی
• 74. تعریف تابع درستنمایی برای داده‌های آلاینده‌ها
• 75. توزیع نرمال برای داده‌های پیوسته
• 76. توزیع پواسون یا دوجمله‌ای منفی برای داده‌های شمارشی
• 77. توزیع‌های دیگر بر اساس نوع داده
• 78. پیاده‌سازی مدل‌های بیزی با MCMC
• 79. مثال عملی: مدل‌سازی توزیع ذرات معلق در هوا
• 80. جمع‌آوری داده‌های ذرات معلق
• 81. تعریف متغیرهای توضیحی (موقعیت مکانی، زمان، شرایط هواشناسی)
• 82. انتخاب مدل بیزی مناسب
• 83. انتخاب الگوریتم MCMC (گیبس یا متروپلیس-هستینگز)
• 84. اجرای الگوریتم MCMC
• 85. ارزیابی همگرایی مدل
• 86. تفسیر نتایج مدل
• 87. ارزیابی عدم قطعیت در پیش‌بینی‌ها
• 88. استفاده از توزیع پسین برای استنتاج
• 89. محاسبه میانگین، میانه و فواصل اطمینان پسین
• 90. تصویرسازی نتایج مدل
• 91. نقشه‌های توزیع آلاینده‌ها
• 92. نمودارهای روند زمانی
• 93. نمودارهای ارتباط بین آلاینده‌ها و متغیرهای توضیحی
• 94. مثال عملی: مدل‌سازی آلودگی رودخانه‌ها
• 95. جمع‌آوری داده‌های آلودگی آب
• 96. تعریف متغیرهای توضیحی (منابع آلودگی، دبی رودخانه، فصل)
• 97. انتخاب مدل بیزی مناسب
• 98. پیاده‌سازی و ارزیابی مدل MCMC
• 99. تفسیر نتایج برای مدیریت منابع آب
• 100. ارزیابی ریسک آلودگی با مدل‌های بیزی