کتاب صوتی greta: یک چارچوب قدرتمند برای مدل‌سازی آماری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره greta: یک چارچوب قدرتمند برای مدل‌سازی آماری

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

موضوع میانی: greta

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر چارچوب greta
• 2. نصب و راه‌اندازی greta
• 3. مفاهیم پایه در greta
• 4. ساختار داده‌ها در greta
• 5. انواع مدل‌های آماری
• 6. مدل‌های خطی ساده
• 7. رگرسیون خطی چندگانه
• 8. آزمون فرض در مدل‌های خطی
• 9. تشخیص و رفع هم‌خطی
• 10. ارزیابی مدل‌های خطی
• 11. مقدمه‌ای بر مدل‌های تعمیم‌یافته خطی (GLM)
• 12. توزیع پواسون
• 13. مدل‌های رگرسیون پواسون
• 14. توزیع دوجمله‌ای منفی
• 15. مدل‌های رگرسیون دوجمله‌ای منفی
• 16. توزیع گاما
• 17. مدل‌های رگرسیون گاما
• 18. توزیع نرمال معکوس گوسی
• 19. مدل‌های رگرسیون نرمال معکوس گوسی
• 20. مدل‌های لجستیک
• 21. رگرسیون لجستیک دودویی
• 22. رگرسیون لجستیک چندجمله‌ای
• 23. مدل‌های مرتبه ترتیبی
• 24. روش‌های تخمین در GLM
• 25. اعتبارسنجی مدل‌های GLM
• 26. مقدمه‌ای بر مدل‌های سلسله‌مراتبی
• 27. مدل‌های اثرات ثابت
• 28. مدل‌های اثرات تصادفی
• 29. مدل‌های اثرات مختلط
• 30. نحو مدل‌های سلسله‌مراتبی در greta
• 31. تفسیر مدل‌های سلسله‌مراتبی
• 32. کاربرد مدل‌های سلسله‌مراتبی در علوم اجتماعی
• 33. کاربرد مدل‌های سلسله‌مراتبی در زیست‌شناسی
• 34. کاربرد مدل‌های سلسله‌مراتبی در اقتصاد
• 35. مقدمه‌ای بر مدل‌های سری زمانی
• 36. مدل‌های ARIMA
• 37. مدل‌های GARCH
• 38. تحلیل فصلی در سری زمانی
• 39. پیش‌بینی در مدل‌های سری زمانی
• 40. ارزیابی مدل‌های سری زمانی
• 41. مقدمه‌ای بر مدل‌های بقا
• 42. تابع بقا
• 43. تابع خطر
• 44. مدل کاکس
• 45. مدل‌های پارامتریک بقا
• 46. مدل‌های نیمه‌پارامتریک بقا
• 47. ارزیابی مدل‌های بقا
• 48. مقدمه‌ای بر مدل‌های مکانی
• 49. مدل‌های رگرسیون مکانی
• 50. مدل‌های خودهمبستگی مکانی
• 51. تحلیل ناهمگنی مکانی
• 52. ارزیابی مدل‌های مکانی
• 53. مقدمه‌ای بر مدل‌های یادگیری آماری
• 54. رگرسیون بیزی
• 55. طبقه‌بندی بیزی
• 56. درختان تصمیم
• 57. جنگل‌های تصادفی
• 58. ماشین‌های بردار پشتیبان
• 59. شبکه‌های عصبی
• 60. مقدمه‌ای بر تحلیل عاملی
• 61. تحلیل عامل اکتشافی
• 62. تحلیل عامل تأییدی
• 63. مقدمه‌ای بر تحلیل خوشه‌ای
• 64. روش‌های خوشه‌بندی سلسله‌مراتبی
• 65. روش‌های خوشه‌بندی غیرسلسله‌مراتبی
• 66. ارزیابی نتایج خوشه‌بندی
• 67. مقدمه‌ای بر مدل‌سازی معادلات ساختاری (SEM)
• 68. مراحل اجرای SEM
• 69. ماتریس کوواریانس
• 70. شاخص‌های نیکویی برازش در SEM
• 71. تفسیر نتایج SEM
• 72. کاربرد SEM در تحقیقات علوم رفتاری
• 73. کاربرد SEM در تحقیقات بازاریابی
• 74. کاربرد SEM در تحقیقات آموزشی
• 75. مقدمه‌ای بر تحلیل داده‌های گمشده
• 76. روش‌های حذف داده‌های گمشده
• 77. روش‌های جایگزینی داده‌های گمشده (Imputation)
• 78. مدل‌سازی چندگانه جایگزینی (Multiple Imputation)
• 79. ارزیابی حساسیت به داده‌های گمشده
• 80. مقدمه‌ای بر شبیه‌سازی مونت کارلو
• 81. تولید اعداد تصادفی
• 82. شبیه‌سازی توزیع‌های احتمال
• 83. کاربرد شبیه‌سازی در ارزیابی مدل‌ها
• 84. شبیه‌سازی سناریوهای مختلف
• 85. مقدمه‌ای بر بهینه‌سازی بیزی
• 86. بهینه‌سازی توابع هدف
• 87. تابع سودمندی (Acquisition Function)
• 88. الگوریتم‌های بهینه‌سازی بیزی
• 89. کاربرد بهینه‌سازی بیزی در تنظیم پارامترها
• 90. مقدمه‌ای بر مدل‌های شبکه‌ای
• 91. تحلیل شبکه‌های اجتماعی
• 92. شاخص‌های مرکزی بودن در شبکه‌ها
• 93. مدل‌های انتشار در شبکه‌ها
• 94. مقدمه‌ای بر یادگیری تقویتی
• 95. مفاهیم پایه در یادگیری تقویتی
• 96. الگوریتم‌های یادگیری تقویتی
• 97. کاربرد یادگیری تقویتی در تصمیم‌گیری
• 98. مقدمه‌ای بر مدل‌های علّی
• 99. استنتاج علّی
• 100. طراحی آزمایش‌ها برای استنتاج علّی