کتاب صوتی کاربرد عملی DE-MC در مدل‌سازی پیچیده آماری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد عملی DE-MC در مدل‌سازی پیچیده آماری

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

موضوع میانی: Differential Evolution Markov Chain (DE-MC)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی آماری پیچیده
• 2. اصول اولیه مدل‌سازی آماری
• 3. مبانی احتمالات و آمار استنباطی
• 4. مفاهیم کلیدی در مدل‌سازی آماری
• 5. انواع مدل‌های آماری خطی
• 6. رگرسیون خطی ساده و چندگانه
• 7. ارزیابی مدل‌های خطی
• 8. تشخیص و رفع مشکلات مدل‌های خطی
• 9. مقدمه‌ای بر مدل‌های غیرخطی
• 10. مدل‌های رگرسیون غیرخطی
• 11. انتخاب بین مدل‌های خطی و غیرخطی
• 12. مدل‌های تعمیم‌یافته خطی (GLM)
• 13. رگرسیون لجستیک
• 14. رگرسیون پواسون
• 15. مدل‌های خطی مختلط (LMM)
• 16. مقدمه‌ای بر مدل‌های مختلط
• 17. کاربرد LMM در داده‌های خوشه‌ای
• 18. کاربرد LMM در داده‌های طولی
• 19. معرفی روش‌های کاهش ابعاد
• 20. تحلیل مولفه‌های اصلی (PCA)
• 21. تحلیل عاملی
• 22. مقدمه‌ای بر یادگیری ماشین آماری
• 23. رگرسیون و طبقه‌بندی با ماشین‌های بردار پشتیبان (SVM)
• 24. درختان تصمیم و جنگل‌های تصادفی
• 25. مقدمه‌ای بر مدل‌های سری زمانی
• 26. مدل‌های ARIMA
• 27. مدل‌های GARCH
• 28. مقدمه‌ای بر مدل‌های فضایی
• 29. تحلیل داده‌های مکانی
• 30. کاربرد مدل‌های فضایی در آمارهای زیست‌محیطی
• 31. روش‌های شبیه‌سازی آماری
• 32. روش مونت کارلو
• 33. روش‌های نمونه‌گیری
• 34. مقدمه‌ای بر استنتاج بیزی
• 35. مبانی قضیه بیز
• 36. کاربرد استنتاج بیزی در مدل‌سازی
• 37. پیاده‌سازی مدل‌های بیزی با نرم‌افزار
• 38. معرفی نرم‌افزارهای آماری رایج
• 39. کاربرد R در مدل‌سازی آماری
• 40. کاربرد Python در مدل‌سازی آماری
• 41. مقدمه‌ای بر آمار غیرپارامتری
• 42. آزمون‌های ناپارامتری
• 43. رگرسیون ناپارامتری
• 44. مدل‌های مارکوف پنهان (HMM)
• 45. کاربرد HMM در تحلیل داده‌های ترتیبی
• 46. مدل‌های گرافیکی و شبکه‌های بیزی
• 47. مقدمه‌ای بر مدل‌سازی شبکه‌های بیزی
• 48. طراحی و استنتاج در شبکه‌های بیزی
• 49. روش‌های خوشه‌بندی آماری
• 50. K-Means
• 51. خوشه‌بندی سلسله‌مراتبی
• 52. تحلیل بقا
• 53. مقدمه‌ای بر تحلیل بقا
• 54. توابع بقا و خطر
• 55. مدل‌های کاکس
• 56. کاربرد مدل‌های آماری در علوم زیستی
• 57. مدل‌سازی داده‌های ژنتیکی
• 58. مدل‌سازی اپیدمیولوژیک
• 59. کاربرد مدل‌های آماری در علوم اجتماعی
• 60. مدل‌سازی رفتار مصرف‌کننده
• 61. مدل‌سازی پدیده‌های اجتماعی
• 62. کاربرد مدل‌های آماری در اقتصاد
• 63. مدل‌سازی مالی
• 64. مدل‌سازی پیش‌بینی اقتصادی
• 65. کاربرد مدل‌های آماری در مهندسی
• 66. مدل‌سازی قابلیت اطمینان
• 67. مدل‌سازی فرآیندها
• 68. کاربرد مدل‌های آماری در علوم محیط زیست
• 69. مدل‌سازی تغییرات اقلیمی
• 70. مدل‌سازی آلودگی هوا
• 71. مدل‌سازی داده‌های بزرگ (Big Data)
• 72. چالش‌های آماری در داده‌های بزرگ
• 73. روش‌های آماری برای داده‌های بزرگ
• 74. انواع داده‌های پیچیده
• 75. داده‌های پانلی
• 76. داده‌های شبکه‌ای
• 77. داده‌های چندسطحی
• 78. مدل‌سازی داده‌های چندسطحی
• 79. مقدمه‌ای بر دینامیک سیستم‌ها
• 80. مدل‌سازی سیستم‌های پویا
• 81. تحلیل حساسیت در مدل‌های آماری
• 82. اعتبارسنجی متقابل (Cross-validation)
• 83. تنظیم ابرپارامترها (Hyperparameter tuning)
• 84. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 85. شبکه‌های عصبی کانولوشنی (CNN)
• 86. شبکه‌های عصبی بازگشتی (RNN)
• 87. ملاحظات اخلاقی در مدل‌سازی آماری
• 88. حفظ حریم خصوصی داده‌ها
• 89. سوگیری در مدل‌های آماری
• 90. تفسیرپذیری مدل‌های آماری
• 91. مدل‌های آماری قابل تفسیر
• 92. روش‌های افزایش تفسیرپذیری
• 93. کاربرد DE-MC در تحلیل داده‌های پیچیده
• 94. معرفی روش DE-MC
• 95. مزایای DE-MC در مدل‌سازی آماری
• 96. پیاده‌سازی DE-MC در مسائل پیچیده
• 97. مثال‌های کاربردی DE-MC در آمار زیستی
• 98. مثال‌های کاربردی DE-MC در آمار اجتماعی
• 99. مثال‌های کاربردی DE-MC در آمار اقتصادی
• 100. مثال‌های کاربردی DE-MC در آمار مهندسی