کتاب صوتی تحلیل داده‌ها با GLM و MCMC: رویکردی عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌ها با GLM و MCMC: رویکردی عملی

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

موضوع میانی: استنتاج مبتنی بر مدل‌های خطی تعمیم‌یافته (GLM)

📋 سرفصل‌های دوره

• 1. مبانی تحلیل داده‌ها و مدل‌سازی آماری
• 2. مقدمه‌ای بر توابع توزیع احتمال
• 3. انواع توزیع‌های گسسته و پیوسته
• 4. مفاهیم پایه احتمال و استنباط آماری
• 5. مقدمه‌ای بر رگرسیون خطی ساده
• 6. مفاهیم رگرسیون خطی چندگانه
• 7. آزمون فرض آماری در رگرسیون
• 8. ارزیابی مدل رگرسیون خطی
• 9. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 10. ساختار کلی مدل‌های خطی تعمیم‌یافته
• 11. تابع پیوند و توزیع در GLM
• 12. مدل رگرسیون پواسون برای داده‌های شمارشی
• 13. مدل رگرسیون لجستیک برای داده‌های دوتایی
• 14. مدل رگرسیون پروبیت
• 15. مدل‌های خطی تعمیم‌یافته برای داده‌های بقا
• 16. مدل کاکس برای داده‌های بقا
• 17. ارزیابی و انتخاب مدل در GLM
• 18. تفسیر ضرایب در GLM
• 19. کاربرد GLM در حوزه‌های مختلف علمی
• 20. مقدمه‌ای بر روش‌های مونت کارلو زنجیره مارکوف (MCMC)
• 21. مبانی زنجیره مارکوف
• 22. ایده اصلی MCMC
• 23. الگوریتم متروپلیس-هستینگز
• 24. الگوریتم گیبس سمپلینگ
• 25. ارزیابی همگرایی در MCMC
• 26. شاخص‌های ارزیابی کیفیت نمونه‌ها
• 27. کاربرد MCMC در تخمین پارامترها
• 28. کاربرد MCMC در استنباط بیزی
• 29. مقدمه‌ای بر استنباط بیزی
• 30. قضیه بیز و تفسیر احتمالات
• 31. توزیع پیشین و پسین
• 32. مدل‌سازی بیزی با استفاده از MCMC
• 33. مقایسه رویکردهای بیزی و فراوانی‌گرا
• 34. مقدمه‌ای بر مدل‌های سلسله مراتبی بیزی
• 35. طراحی مدل‌های سلسله مراتبی
• 36. اجرای مدل‌های سلسله مراتبی با MCMC
• 37. کاربرد مدل‌های سلسله مراتبی در تحلیل داده‌ها
• 38. تحلیل داده‌های خوشه‌ای با رویکردهای بیزی
• 39. مدل‌سازی بیزی برای داده‌های سری زمانی
• 40. مدل‌سازی بیزی برای داده‌های فضایی
• 41. مقدمه‌ای بر مدل‌سازی پیشرفته با GLM و MCMC
• 42. روش‌های تنظیم و اعتبارسنجی مدل
• 43. پیش‌بینی و تحلیل عدم قطعیت
• 44. کاربرد GLM و MCMC در علوم سلامت
• 45. کاربرد GLM و MCMC در علوم اجتماعی
• 46. کاربرد GLM و MCMC در علوم اقتصادی
• 47. کاربرد GLM و MCMC در مهندسی
• 48. کاربرد GLM و MCMC در علوم محیط زیست
• 49. مقدمه‌ای بر نرم‌افزارهای آماری برای GLM و MCMC
• 50. کار با R برای GLM و MCMC
• 51. بسته‌های R برای GLM و MCMC
• 52. کار با Stan برای MCMC
• 53. کار با PyMC3 برای MCMC
• 54. کار با JAGS برای MCMC
• 55. کار با نرم‌افزارهای دیگر
• 56. نمونه‌های عملی تحلیل داده‌ها با GLM
• 57. تحلیل داده‌های نظرسنجی با رگرسیون لجستیک
• 58. تحلیل داده‌های پزشکی با مدل‌های بقا
• 59. تحلیل داده‌های اقتصادی با مدل‌های پواسون
• 60. تحلیل داده‌های رفتاری با مدل‌های سلسله مراتبی
• 61. نمونه‌های عملی استنباط بیزی با MCMC
• 62. استنباط پارامترها در مدل‌های ساده بیزی
• 63. استنباط پارامترها در مدل‌های پیچیده بیزی
• 64. اعتبارسنجی مدل‌های بیزی
• 65. ارزیابی عدم قطعیت در نتایج بیزی
• 66. مطالعات موردی پیشرفته در GLM و MCMC
• 67. تحلیل داده‌های حجیم با GLM و MCMC
• 68. مدل‌سازی داده‌های ناقص با MCMC
• 69. روش‌های پیشرفته MCMC
• 70. روش‌های کاهش ابعاد در مدل‌سازی
• 71. کاربرد GLM و MCMC در کشف دانش از داده‌ها
• 72. اصول مدل‌سازی علّی با رویکرد بیزی
• 73. مقدمه‌ای بر شبکه‌های بیزی
• 74. طراحی و استنتاج در شبکه‌های بیزی
• 75. کاربرد شبکه‌های بیزی در تحلیل داده‌ها
• 76. تحلیل حساسیت و عدم قطعیت در مدل‌های پیچیده
• 77. تفسیر نتایج مدل‌های پیچیده
• 78. محدودیت‌های GLM و MCMC
• 79. راهکارهای مقابله با چالش‌ها
• 80. آینده GLM و MCMC در تحلیل داده‌ها
• 81. مروری بر آخرین تحقیقات و تحولات
• 82. توسعه مدل‌های سفارشی با MCMC
• 83. کاربرد GLM و MCMC در یادگیری ماشین
• 84. مقدمه‌ای بر یادگیری عمیق و ارتباط آن با GLM
• 85. شبکه‌های عصبی بیزی
• 86. مدل‌سازی احتمالی در یادگیری ماشین
• 87. کاربرد GLM و MCMC در بهینه‌سازی
• 88. مباحث پیشرفته در آمار محاسباتی
• 89. اصول کدنویسی تمیز و قابل تکرار
• 90. مدیریت پروژه تحلیل داده
• 91. اخلاق در تحلیل داده‌ها و گزارش‌دهی
• 92. کاربرد GLM و MCMC در تحلیل داده‌های سلامت عمومی
• 93. کاربرد GLM و MCMC در تحلیل داده‌های آموزشی
• 94. کاربرد GLM و MCMC در تحلیل داده‌های زیست‌محیطی
• 95. کاربرد GLM و MCMC در تحلیل داده‌های اجتماعی-اقتصادی
• 96. ارائه نتایج تحلیل داده‌ها به ذینفعان
• 97. اهمیت اعتبارسنجی و تکرارپذیری در تحلیل داده
• 98. نکات پایانی و جمع‌بندی مباحث