فلش‌کارت‌های آموزشی مدل‌های مخلوط زمانی بیزی: مدل‌سازی پویایی با MCMC

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مدل‌های مخلوط زمانی بیزی: مدل‌سازی پویایی با MCMC

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

موضوع میانی: مدل‌های مخلوط (Mixture Models)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه بر مدل‌های مخلوط زمانی بیزی
• 2. مفهوم مدل‌های مخلوط
• 3. مفهوم مدل‌های زمانی
• 4. ترکیب مدل‌های مخلوط و زمانی
• 5. مزایای رویکرد بیزی
• 6. محدودیت‌های رویکرد بیزی
• 7. معرفی MCMC (Markov Chain Monte Carlo)
• 8. کاربرد MCMC در مدل‌سازی بیزی
• 9. مزایای MCMC
• 10. انواع الگوریتم‌های MCMC (مانند Metropolis-Hastings, Gibbs Sampling)
• 11. مبانی احتمال بیزی
• 12. توزیع پیشین (Prior Distribution)
• 13. توزیع درست‌نمایی (Likelihood Distribution)
• 14. توزیع پسین (Posterior Distribution)
• 15. قضیه بیز
• 16. مدل‌های مخلوط پایه
• 17. مفهوم اجزاء (Components) در مدل‌های مخلوط
• 18. توزیع‌های مورد استفاده در اجزاء (گوسی، پواسون، برنولی و غیره)
• 19. پارامترهای مدل‌های مخلوط (میانگین، واریانس، نسبت)
• 20. یادگیری پارامترهای مدل‌های مخلوط (ML, MAP)
• 21. مدل‌های زمانی پایه
• 22. فرآیندهای تصادفی (Stochastic Processes)
• 23. ایستایی (Stationarity)
• 24. خودهمبستگی (Autocorrelation)
• 25. مدل‌های سری زمانی کلاسیک (AR, MA, ARMA, ARIMA)
• 26. مدل‌های مخلوط زمانی
• 27. ترکیب مدل‌های مخلوط با مدل‌های زمانی
• 28. مدل‌سازی حالت پنهان (Hidden State Modeling)
• 29. کاربرد مدل‌های مخلوط زمانی در داده‌های پویا
• 30. مثال‌های کاربردی مدل‌های مخلوط زمانی
• 31. مدل‌سازی تغییر رژیم (Regime Switching)
• 32. مدل‌سازی تغییرات ناگهانی (Abrupt Changes)
• 33. مدل‌سازی تغییرات تدریجی (Gradual Changes)
• 34. مبانی زنجیره‌های مارکوف
• 35. حالت‌های زنجیره مارکوف
• 36. ماتریس انتقال (Transition Matrix)
• 37. کاربرد زنجیره‌های مارکوف در مدل‌سازی زمانی
• 38. زنجیره‌های مارکوف با حالت‌های پنهان (HMM)
• 39. مدل‌های مخلوط زمانی مبتنی بر HMM
• 40. مدل‌سازی پویایی با MCMC
• 41. نیاز به MCMC برای مدل‌های مخلوط زمانی بیزی
• 42. فرآیند نمونه‌گیری در MCMC
• 43. کاهش ابعاد و مشکلات MCMC
• 44. ارزیابی همگرایی MCMC
• 45. شاخص‌های ارزیابی همگرایی (Gelman-Rubin, Geweke)
• 46. پس‌پردازش نتایج MCMC
• 47. تفسیر نتایج MCMC
• 48. تخمین پارامترهای پسین
• 49. محاسبه فواصل اطمینان بیزی
• 50. پیش‌بینی با مدل‌های مخلوط زمانی بیزی
• 51. ارزیابی مدل با معیارهای بیزی
• 52. اعتبارسنجی متقابل (Cross-validation) در زمینه بیزی
• 53. مدل‌سازی توزیع‌های شرطی
• 54. مدل‌سازی وابستگی‌های زمانی
• 55. مدل‌سازی تغییرات در پارامترهای مدل مخلوط
• 56. مدل‌سازی تغییرات در نسبت اجزاء
• 57. مدل‌سازی تغییرات در توزیع اجزاء
• 58. مدل‌سازی تغییرات در واریانس اجزاء
• 59. مدل‌سازی دینامیک حالت‌های پنهان
• 60. استفاده از MCMC برای تخمین دینامیک حالت‌های پنهان
• 61. ملاحظات محاسباتی در MCMC
• 62. افزایش کارایی الگوریتم‌های MCMC
• 63. استفاده از نرم‌افزارهای تخصصی (Stan, JAGS, PyMC)
• 64. مقدمه‌ای بر زبان برنامه‌نویسی Stan
• 65. نوشتن مدل در Stan
• 66. اجرای MCMC با Stan
• 67. تفسیر نتایج Stan
• 68. مقدمه‌ای بر زبان برنامه‌نویسی JAGS
• 69. نوشتن مدل در JAGS
• 70. اجرای MCMC با JAGS
• 71. تفسیر نتایج JAGS
• 72. مقدمه‌ای بر کتابخانه PyMC
• 73. نوشتن مدل با PyMC
• 74. اجرای MCMC با PyMC
• 75. تفسیر نتایج PyMC
• 76. مدل‌های مخلوط زمانی بیزی پیچیده‌تر
• 77. مدل‌های مخلوط زمانی با اثرات تصادفی (Random Effects)
• 78. مدل‌سازی خوشه‌بندی زمانی (Temporal Clustering)
• 79. مدل‌سازی سری‌های زمانی چند متغیره با رویکرد مخلوط بیزی
• 80. مدل‌سازی داده‌های پانل با مدل‌های مخلوط زمانی بیزی
• 81. مدل‌سازی داده‌های فضایی-زمانی با رویکرد مخلوط بیزی
• 82. ملاحظات عملی در انتخاب مدل
• 83. انتخاب توزیع پیشین مناسب
• 84. حساسیت مدل به توزیع پیشین
• 85. مدل‌سازی عدم قطعیت
• 86. مدل‌سازی داده‌های ناقص (Missing Data)
• 87. کاربرد مدل‌های مخلوط زمانی بیزی در اقتصاد
• 88. کاربرد در علوم مالی
• 89. کاربرد در علوم زیستی
• 90. کاربرد در علوم اجتماعی
• 91. کاربرد در مهندسی
• 92. کاربرد در علوم محیطی
• 93. مطالعات موردی (Case Studies)
• 94. چالش‌ها و راه‌حل‌ها در مدل‌سازی مخلوط زمانی بیزی
• 95. آینده پژوهش در مدل‌های مخلوط زمانی بیزی
• 96. جمع‌بندی و نکات کلیدی