, ,

کتاب سری‌های زمانی غیرپارامتری با MCMC

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب سری‌های زمانی غیرپارامتری با MCMC

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

موضوع میانی: نمودارهای Time Series

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه ای بر سری های زمانی
  • 2. مقدمه ای بر مدل های پارامتری سری های زمانی
  • 3. محدودیت های مدل های پارامتری سری های زمانی
  • 4. مقدمه ای بر روش های غیرپارامتری
  • 5. مقدمه ای بر زنجیره های مارکوف مونت کارلو (MCMC)
  • 6. چرا MCMC برای سری های زمانی غیرپارامتری؟
  • 7. نیاز به مدل های انعطاف پذیر برای سری های زمانی
  • 8. تغییرات ناگهانی و ناپیوستگی در سری های زمانی
  • 9. همبستگی های بلندمدت در سری های زمانی
  • 10. روندها و فصلیت های متغیر در طول زمان
  • 11. مدل های پارامتری رایج (ARIMA، GARCH)
  • 12. محدودیت های مدل های ARIMA
  • 13. محدودیت های مدل های GARCH
  • 14. محدودیت های فرض توزیع نرمال
  • 15. معرفی مدل های غیرپارامتری
  • 16. مزایای رویکردهای غیرپارامتری
  • 17. چالش های رویکردهای غیرپارامتری
  • 18. مقدمه ای بر روش های هسته ای (Kernel Methods)
  • 19. تخمین چگالی هسته ای (Kernel Density Estimation)
  • 20. کاربرد تخمین چگالی هسته ای در سری های زمانی
  • 21. رگرسیون هسته ای (Kernel Regression)
  • 22. کاربرد رگرسیون هسته ای در سری های زمانی
  • 23. روش های بسپلاین (Spline Methods)
  • 24. تطبیق بسپلاین (Spline Fitting)
  • 25. کاربرد بسپلاین در مدل سازی روند
  • 26. کاربرد بسپلاین در مدل سازی فصلیت
  • 27. روش های گسسته سازی (Discretization Methods)
  • 28. تقسیم بندی بازه زمانی (Time Binning)
  • 29. کاربرد گسسته سازی در سری های زمانی
  • 30. روش های مبتنی بر درخت (Tree-based Methods)
  • 31. درخت های تصمیم (Decision Trees)
  • 32. جنگل های تصادفی (Random Forests)
  • 33. کاربرد درختان تصمیم در سری های زمانی
  • 34. کاربرد جنگل های تصادفی در سری های زمانی
  • 35. مقدمه ای بر استنتاج بیزی (Bayesian Inference)
  • 36. مقدمه ای بر زنجیره های مارکوف (Markov Chains)
  • 37. مقدمه ای بر روش های مونت کارلو (Monte Carlo Methods)
  • 38. ترکیب MCMC و استنتاج بیزی
  • 39. چرا MCMC در مدل های سری زمانی غیرپارامتری؟
  • 40. مفهوم فضای حالت (State Space)
  • 41. مدل های فضای حالت پارامتری
  • 42. مدل های فضای حالت غیرپارامتری
  • 43. تبدیل سری زمانی به مدل فضای حالت
  • 44. معرفی الگوریتم های MCMC
  • 45. الگوریتم نمونه گیری عمیق (Gibbs Sampling)
  • 46. الگوریتم پذیرش-رد (Metropolis-Hastings Algorithm)
  • 47. الگوریتم نمونه گیری هامیلتونی مونت کارلو (HMC)
  • 48. الگوریتم نمونه گیری MCMC خودکار (NUTS)
  • 49. پیاده سازی MCMC برای مدل های سری زمانی
  • 50. انتخاب تابع احتمال پیشین (Prior Distribution)
  • 51. انتخاب تابع احتمال پسین (Posterior Distribution)
  • 52. چالش های انتخاب پیشین در مدل های غیرپارامتری
  • 53. نمونه گیری از فضای پارامترهای پیچیده
  • 54. ارزیابی همگرایی الگوریتم های MCMC
  • 55. شاخص های همگرایی (Trace Plots, Autocorrelation Plots)
  • 56. شاخص های کمی همگرایی (Gelman-Rubin Statistic, Geweke Statistic)
  • 57. تکنیک های بهبود همگرایی
  • 58. اصلاح نمونه ها (Thinning)
  • 59. ایجاد چندین زنجیره (Multiple Chains)
  • 60. تنظیم پارامترهای الگوریتم (Adaptation)
  • 61. مدل های سری زمانی غیرپارامتری با MCMC: رویکردهای کلیدی
  • 62. مدل های رگرسیون غیرپارامتری بیزی
  • 63. مدل های تابع انتقال غیرپارامتری بیزی
  • 64. مدل های فضای حالت غیرپارامتری بیزی
  • 65. مدل های روند غیرپارامتری بیزی
  • 66. مدل های فصلیت غیرپارامتری بیزی
  • 67. مدل های تغییر نقطه ای (Change Point Models) غیرپارامتری بیزی
  • 68. مدل های ناپیوستگی (Discontinuity Models) غیرپارامتری بیزی
  • 69. مدل های خودهمبستگی متغیر در طول زمان (Time-Varying Autocorrelation)
  • 70. مدل های توزیع متغیر در طول زمان (Time-Varying Distribution)
  • 71. کاربرد MCMC در مدل های هسته ای سری زمانی
  • 72. کاربرد MCMC در مدل های بسپلاین سری زمانی
  • 73. کاربرد MCMC در مدل های مبتنی بر درخت سری زمانی
  • 74. کاربرد MCMC در مدل های گسسته سازی سری زمانی
  • 75. بررسی پیشین های غیراطلاعاتی (Non-informative Priors)
  • 76. بررسی پیشین های اطلاعاتی (Informative Priors)
  • 77. تأثیر پیشین ها بر نتایج MCMC
  • 78. پیاده سازی MCMC با استفاده از بسته های نرم افزاری (Stan, PyMC, JAGS)
  • 79. مقایسه رویکردهای MCMC مختلف
  • 80. انتخاب الگوریتم MCMC مناسب
  • 81. انتخاب پهنای باند (Bandwidth) در روش های هسته ای
  • 82. انتخاب پارامترهای بسپلاین
  • 83. انتخاب پارامترهای درخت
  • 84. ارزیابی مدل های سری زمانی غیرپارامتری
  • 85. معیارهای ارزیابی (AIC, BIC, DIC)
  • 86. پیش بینی با مدل های سری زمانی غیرپارامتری MCMC
  • 87. محاسبه فواصل اطمینان بیزی (Bayesian Credible Intervals)
  • 88. تجسم نتایج MCMC
  • 89. تجسم توزیع پسین پارامترها
  • 90. تجسم پیش بینی ها
  • 91. مطالعات موردی: کاربرد در اقتصاد
  • 92. مطالعات موردی: کاربرد در امور مالی
  • 93. مطالعات موردی: کاربرد در علوم زیستی
  • 94. مطالعات موردی: کاربرد در مهندسی
  • 95. مطالعات موردی: کاربرد در علوم محیطی
  • 96. چالش های محاسباتی در MCMC برای سری های زمانی
  • 97. راه حل های مقیاس پذیری (Scalability)
  • 98. روش های موازی سازی (Parallelization)
  • 99. یادگیری عمیق و سری های زمانی غیرپارامتری
  • 100. شبکه های عصبی بازگشتی (RNNs)

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب سری‌های زمانی غیرپارامتری با MCMC”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا