فلش‌کارت‌های آموزشی جوش دادن نظریه و عمل: نمونه‌گیری Gibbs در JAGS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جوش دادن نظریه و عمل: نمونه‌گیری Gibbs در JAGS

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

موضوع میانی: نمونه‌گیری Gibbs در JAGS

📋 سرفصل‌های دوره

• 1. مبانی نظری نمونه‌گیری Gibbs
• 2. مقدمه‌ای بر مدل‌سازی آماری بیزی
• 3. مفاهیم احتمال شرطی و توزیع‌های پیشین
• 4. توزیع‌های پسین و اهمیت آن‌ها
• 5. مقدمه‌ای بر نرم‌افزار JAGS
• 6. نصب و راه‌اندازی JAGS
• 7. ساختار زبان مدل‌سازی JAGS
• 8. تعریف متغیرهای مشاهده‌شده
• 9. تعریف متغیرهای پنهان
• 10. تعریف پارامترهای مدل
• 11. توابع توزیع رایج در JAGS
• 12. مدل‌های خطی بیزی
• 13. مدل‌های رگرسیون خطی بیزی
• 14. تفسیر نتایج رگرسیون خطی بیزی
• 15. نمونه‌گیری Gibbs برای مدل‌های خطی
• 16. مدل‌های رگرسیون لجستیک بیزی
• 17. تفسیر نتایج رگرسیون لجستیک بیزی
• 18. نمونه‌گیری Gibbs برای مدل‌های لجستیک
• 19. مدل‌های سری زمانی بیزی
• 20. مدل‌های ARIMA بیزی
• 21. کاربرد نمونه‌گیری Gibbs در سری‌های زمانی
• 22. مدل‌های بقا بیزی
• 23. مدل‌های کاکس بیزی
• 24. نمونه‌گیری Gibbs برای مدل‌های بقا
• 25. مدل‌های سلسله‌مراتبی بیزی
• 26. طراحی مدل‌های سلسله‌مراتبی
• 27. نمونه‌گیری Gibbs در مدل‌های سلسله‌مراتبی
• 28. مدل‌های مکانی بیزی
• 29. کاربرد مدل‌های مکانی در تحقیقات
• 30. نمونه‌گیری Gibbs در مدل‌های مکانی
• 31. مدل‌های گرافیکی بیزی
• 32. شبکه‌های بیزی
• 33. نمونه‌گیری Gibbs برای شبکه‌های بیزی
• 34. ارزیابی همگرایی زنجیره‌های مارکوف مونت کارلو
• 35. معیارهای ارزیابی همگرایی (Gelman-Rubin)
• 36. عیب‌یابی مشکلات همگرایی
• 37. تنظیم پارامترهای نمونه‌گیری (burn-in, thinning)
• 38. انواع مختلف نمونه‌گیری MCMC (Metropolis-Hastings)
• 39. مقایسه Gibbs با Metropolis-Hastings
• 40. انتقال بین مدل‌ها در JAGS
• 41. ساخت مدل‌های پیچیده در JAGS
• 42. مثال‌های کاربردی از نمونه‌گیری Gibbs
• 43. کاربرد در علوم پزشکی و بهداشت
• 44. کاربرد در علوم اجتماعی و اقتصادی
• 45. کاربرد در علوم محیطی
• 46. کاربرد در مهندسی
• 47. ساخت مدل‌های پیش‌بینی بیزی
• 48. ارزیابی مدل‌های بیزی
• 49. انتخاب مدل با استفاده از معیارهای بیزی
• 50. مقدمه‌ای بر روش‌های بیزی پیشرفته
• 51. مدل‌های خطی تعمیم‌یافته بیزی
• 52. مدل‌های خطی مختلط بیزی
• 53. مدل‌های ناپارامتری بیزی
• 54. مقدمه‌ای بر بیزین‌های سطحی
• 55. کاربرد در تحلیل داده‌های حجیم
• 56. کاربرد در تحلیل داده‌های بزرگ
• 57. کاربرد در یادگیری ماشین بیزی
• 58. مقدمه‌ای بر بهینه‌سازی بیزی
• 59. روش‌های نمونه‌گیری پیشرفته
• 60. کاربرد در پردازش سیگنال بیزی
• 61. کاربرد در پردازش تصویر بیزی
• 62. مدل‌های بیزی برای داده‌های طبقه‌بندی شده
• 63. مدل‌های بیزی برای داده‌های پیوسته
• 64. مدل‌های بیزی برای داده‌های ترتیبی
• 65. مدل‌های بیزی برای داده‌های شمارشی
• 66. مدل‌های بیزی برای داده‌های گسسته
• 67. مدل‌های بیزی برای داده‌های ترکیبی
• 68. مدل‌های بیزی برای داده‌های مکانی-زمانی
• 69. مدل‌های بیزی برای داده‌های شبکه‌ای
• 70. مدل‌های بیزی برای داده‌های خوشه‌بندی
• 71. مدل‌های بیزی برای داده‌های طبقه‌بندی چندگانه
• 72. مدل‌های بیزی برای داده‌های طبقه‌بندی سلسله‌مراتبی
• 73. مدل‌های بیزی برای داده‌های پیش‌بینی
• 74. مدل‌های بیزی برای داده‌های اکتشافی
• 75. مدل‌های بیزی برای داده‌های استنتاجی
• 76. مدل‌های بیزی برای داده‌های آزمایشی
• 77. مدل‌های بیزی برای داده‌های مشاهده‌ای
• 78. مدل‌های بیزی برای داده‌های شبیه‌سازی شده
• 79. مدل‌های بیزی برای داده‌های واقعی
• 80. مدل‌های بیزی برای داده‌های با ابعاد بالا
• 81. مدل‌های بیزی برای داده‌های با اطلاعات ناقص
• 82. مدل‌های بیزی برای داده‌های با خطا
• 83. مدل‌های بیزی برای داده‌های با نویز
• 84. مدل‌های بیزی برای داده‌های با عدم قطعیت
• 85. مدل‌های بیزی برای داده‌های با ساختار پیچیده
• 86. مدل‌های بیزی برای داده‌های با روابط پنهان
• 87. مدل‌های بیزی برای داده‌های با اثرات متقابل
• 88. مدل‌های بیزی برای داده‌های با تغییرات زمانی
• 89. مدل‌های بیزی برای داده‌های با تغییرات مکانی
• 90. مدل‌های بیزی برای داده‌های با اثرات گروهی
• 91. مدل‌های بیزی برای داده‌های با اثرات فردی
• 92. مدل‌های بیزی برای داده‌های با اثرات تصادفی
• 93. مدل‌های بیزی برای داده‌های با اثرات ثابت
• 94. مدل‌های بیزی برای داده‌های با پیش‌زمینه‌های قوی
• 95. مدل‌های بیزی برای داده‌های با پیش‌زمینه‌های ضعیف
• 96. مدل‌های بیزی برای داده‌های با اهداف خاص
• 97. مدل‌های بیزی برای داده‌های با کاربردهای متنوع