کتاب صوتی تابع گام در MCMC: گامی فراتر از توزیع نرمال

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تابع گام در MCMC: گامی فراتر از توزیع نرمال

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

موضوع میانی: انتخاب گام (Proposal Distribution)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبیه‌سازی مارکوف چین مونت کارلو
• 2. اصول زنجیره‌های مارکوف
• 3. انتقال حالت و ماتریس انتقال
• 4. تعادل ایستا در زنجیره‌های مارکوف
• 5. مفهوم توزیع هدف
• 6. الگوریتم Metropolis-Hastings
• 7. گام Metropolis-Hastings: پذیرش یا رد
• 8. پارامترهای الگوریتم Metropolis-Hastings
• 9. الگوریتم Gibbs Sampling
• 10. گام Gibbs Sampling: نمونه‌گیری از توزیع شرطی
• 11. کاربرد Gibbs Sampling
• 12. مقایسه Metropolis-Hastings و Gibbs Sampling
• 13. پیاده‌سازی MCMC: انتخاب تابع پیشنهاد
• 14. تابع پیشنهاد متقارن
• 15. تابع پیشنهاد نامتقارن
• 16. انتخاب تابع پیشنهاد مناسب
• 17. تنظیم پارامتر گام (Cooling Schedule)
• 18. همگرایی در MCMC
• 19. معیارهای همگرایی: R-hat
• 20. معیارهای همگرایی: Trace Plots
• 21. تشخیص واگرایی
• 22. پس‌پردازش نتایج MCMC
• 23. تخمین امید ریاضی با MCMC
• 24. تخمین واریانس با MCMC
• 25. تخمین توزیع‌های پسین
• 26. نمونه‌گیری از توزیع‌های پیچیده
• 27. کاربرد MCMC در آمار بیزی
• 28. مدل‌سازی رگرسیون بیزی با MCMC
• 29. مدل‌های سلسله مراتبی بیزی
• 30. کاربرد MCMC در یادگیری ماشین
• 31. طبقه‌بندی بیزی با MCMC
• 32. خوشه‌بندی بیزی با MCMC
• 33. مدل‌سازی سری زمانی بیزی
• 34. مدل‌های حالت-فضا با MCMC
• 35. کاربرد MCMC در علوم زیستی
• 36. مدل‌سازی ژنتیکی با MCMC
• 37. مدل‌سازی اپیدمیولوژیک با MCMC
• 38. کاربرد MCMC در علوم اقتصادی
• 39. مدل‌سازی ریسک مالی با MCMC
• 40. مدل‌سازی اقتصاد سنجی بیزی
• 41. کاربرد MCMC در علوم مهندسی
• 42. بهینه‌سازی بیزی با MCMC
• 43. تحلیل حساسیت با MCMC
• 44. کاربرد MCMC در پردازش تصویر
• 45. فیلترینگ بیزی با MCMC
• 46. بازسازی تصویر با MCMC
• 47. ملاحظات محاسباتی در MCMC
• 48. بهبود کارایی الگوریتم‌های MCMC
• 49. کاهش همبستگی بین نمونه‌ها
• 50. تکنیک‌های نمونه‌گیری پیشرفته
• 51. تابع گام در MCMC: گامی فراتر از توزیع نرمال
• 52. تعریف تابع گام
• 53. ویژگی‌های تابع گام
• 54. ارتباط تابع گام با توزیع هدف
• 55. تابع گام متناسب با توزیع هدف
• 56. انتخاب تابع گام مناسب
• 57. پیاده‌سازی تابع گام
• 58. مثال‌هایی از توابع گام
• 59. تابع گام گوسی
• 60. تابع گام t-Student
• 61. تابع گام نمایی
• 62. تابع گام ترکیبی
• 63. مزایای استفاده از تابع گام
• 64. معایب استفاده از تابع گام
• 65. مقایسه تابع گام با توابع پیشنهاد استاندارد
• 66. تأثیر تابع گام بر نرخ پذیرش
• 67. تأثیر تابع گام بر همگرایی
• 68. تأثیر تابع گام بر دقت تخمین‌ها
• 69. بهینه‌سازی پارامترهای تابع گام
• 70. تکنیک‌های تنظیم تابع گام
• 71. تست حساسیت تابع گام
• 72. تابع گام برای توزیع‌های چندوجهی
• 73. تابع گام برای توزیع‌های با دم سنگین
• 74. تابع گام برای توزیع‌های با ابعاد بالا
• 75. کاربرد تابع گام در مدل‌های پیچیده
• 76. تابع گام در مدل‌های آماری
• 77. تابع گام در مدل‌های یادگیری ماشین
• 78. تابع گام در مدل‌های مالی
• 79. تابع گام در مدل‌های مهندسی
• 80. تابع گام در مدل‌های زیستی
• 81. تابع گام در پردازش سیگنال
• 82. تابع گام در بینایی ماشین
• 83. تابع گام در علوم داده
• 84. تابع گام و توزیع نرمال: یک مقایسه
• 85. تابع گام و توزیع نرمال: محدودیت‌ها
• 86. تابع گام به عنوان یک جایگزین
• 87. تابع گام: فراتر از فرض نرمال بودن
• 88. تابع گام و نقش آن در انعطاف‌پذیری MCMC
• 89. تابع گام و توانایی مدل‌سازی توزیع‌های غیرنرمال
• 90. تابع گام: ابزاری برای مواجهه با پیچیدگی
• 91. تابع گام: گامی به سوی دقت بیشتر
• 92. تابع گام: تعمیم مفاهیم MCMC
• 93. تابع گام: راهنمای عملی برای کاربران
• 94. تابع گام: نوآوری در شبیه‌سازی
• 95. تابع گام: آینده الگوریتم‌های MCMC
• 96. تابع گام: گامی به سوی فهم عمیق‌تر