کتاب کاربرد MCMC با Stan در تحلیل‌های آماری
, ,

کتاب کاربرد MCMC با Stan در تحلیل‌های آماری

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000027400 دسته: , , برچسب: , , , , , , , ,

📚 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 کاربرد MCMC با Stan در تحلیل‌های آماری

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه ای بر روش های مونت کارلو زنجیره مارکوف (MCMC)
  • 2. مبانی نظری MCMC
  • 3. چرا MCMC؟ مزایا و معایب
  • 4. مقایسه MCMC با روش های تحلیلی و سایر روش های عددی
  • 5. مقدمه ای بر زبان برنامه نویسی Stan
  • 6. نصب و پیکربندی Stan
  • 7. محیط توسعه یکپارچه (IDE) برای Stan
  • 8. مبانی زبان Stan: انواع داده، عملگرها، توابع
  • 9. ساختار یک مدل در Stan: بخش های data, parameters, transformed data, transformed parameters, model, generated quantities
  • 10. نوشتن اولین مدل احتمالاتی ساده در Stan
  • 11. فراخوانی مدل های Stan از R
  • 12. فراخوانی مدل های Stan از Python
  • 13. فراخوانی مدل های Stan از Julia
  • 14. فراخوانی مدل های Stan از خط فرمان
  • 15. آشنایی با الگوریتم های MCMC در Stan: NUTS، HMC
  • 16. مفهوم فضای پارامتری و توزیع پسین
  • 17. مفهوم تابع درست نمایی و توزیع پیشین
  • 18. نحوه نمونه برداری از توزیع پسین با MCMC
  • 19. مفهوم زنجیره مارکوف و حالت پایدار
  • 20. مفهوم انتقال حالت و ماتریس انتقال
  • 21. مفهوم بازگشت و دوره تناوب
  • 22. مفهوم همگرایی (Convergence) در MCMC
  • 23. معیارهای ارزیابی همگرایی: Trace plots, Autocorrelation plots, Gelman-Rubin statistic (R-hat), Effective Sample Size (ESS)
  • 24. تشخیص عدم همگرایی و راهکارهای رفع آن
  • 25. تنظیم پارامترهای الگوریتم MCMC در Stan (مانند adapt_delta, max_treedepth)
  • 26. اعتبارسنجی مدل ها با استفاده از MCMC
  • 27. روش های اعتبارسنجی: Posterior predictive checks (PPCs)
  • 28. تفسیر نتایج MCMC: توزیع های پسین، میانگین، میانه، واریانس
  • 29. محاسبه فواصل اطمینان (Credible Intervals) از توزیع پسین
  • 30. مقایسه مدل ها با استفاده از معیارهای اطلاعاتی: WAIC, LOO-CV
  • 31. مقدمه ای بر مدل های خطی تعمیم یافته (GLMs)
  • 32. پیاده سازی مدل های رگرسیون خطی در Stan
  • 33. پیاده سازی مدل های رگرسیون لجستیک در Stan
  • 34. پیاده سازی مدل های رگرسیون پواسون در Stan
  • 35. پیاده سازی مدل های رگرسیون ناپارامتری در Stan
  • 36. مقدمه ای بر مدل های سلسله مراتبی (Hierarchical Models)
  • 37. مزایای مدل های سلسله مراتبی
  • 38. پیاده سازی مدل های سلسله مراتبی ساده در Stan
  • 39. مدل های اثرات ثابت (Fixed Effects) در مقابل مدل های اثرات تصادفی (Random Effects)
  • 40. مدل های چند سطحی (Multi-level Models) در Stan
  • 41. مدل های اثرات ترکیبی (Mixed Effects Models) در Stan
  • 42. مدل های سلسله مراتبی برای داده های زمانی (Time Series)
  • 43. مدل های سلسله مراتبی برای داده های مکانی (Spatial Data)
  • 44. مدل های سلسله مراتبی برای داده های شبکه ای (Network Data)
  • 45. مدل های پنهان مارکوف (Hidden Markov Models) در Stan
  • 46. مدل های حالت پنهان (State-Space Models) در Stan
  • 47. مدل های بقا (Survival Analysis) در Stan
  • 48. مدل های مبتنی بر احتمال (Probabilistic Programming)
  • 49. مفهوم و کاربرد Probabilistic Programming
  • 50. Stan به عنوان یک زبان Probabilistic Programming
  • 51. ساخت مدل های پیچیده با استفاده از قابلیت های Stan
  • 52. مدل سازی عدم قطعیت (Uncertainty Quantification)
  • 53. مدل سازی عدم قطعیت در پارامترها
  • 54. مدل سازی عدم قطعیت در پیش بینی ها
  • 55. مدل سازی عدم قطعیت در داده ها (Data Uncertainty)
  • 56. روش های حساسیت سنجی (Sensitivity Analysis)
  • 57. مدل سازی اثرات متقابل (Interaction Effects)
  • 58. مدل سازی اثرات غیرخطی (Non-linear Effects)
  • 59. مدل سازی داده های گمشده (Missing Data) با استفاده از MCMC
  • 60. روش های جایگزینی داده های گمشده در Stan
  • 61. مدل سازی داده های پرت (Outlier Detection)
  • 62. روش های شناسایی و برخورد با داده های پرت
  • 63. مدل سازی داده های با توزیع غیرعادی (Non-standard Distributions)
  • 64. ساخت توابع توزیع سفارشی در Stan
  • 65. مدل سازی سری های زمانی پویا (Dynamic Time Series)
  • 66. مدل های ARIMA در Stan
  • 67. مدل های حالت فضا در Stan برای سری های زمانی
  • 68. مدل سازی داده های پانل (Panel Data)
  • 69. مدل های اثرات ثابت و تصادفی برای داده های پانل
  • 70. مدل های پویا برای داده های پانل
  • 71. مدل سازی داده های کاپلان-مایر (Kaplan-Meier) و مدل های بقا
  • 72. مدل های کوکس (Cox Proportional Hazards Model) در Stan
  • 73. مدل های پارامتری بقا در Stan
  • 74. مدل سازی داده های طبقه بندی (Categorical Data)
  • 75. مدل های چندگانه (Multinomial Models) در Stan
  • 76. مدل های ترتیبی (Ordinal Models) در Stan
  • 77. مدل سازی داده های طبقه بندی چند بعدی (Multivariate Categorical Data)
  • 78. مدل سازی داده های متنی (Text Data) با استفاده از MCMC
  • 79. مقدمه ای بر مدل های موضوعی (Topic Models)
  • 80. مدل های موضوعی در Stan (مانند LDA)
  • 81. مدل سازی داده های تصویری (Image Data) با استفاده از MCMC
  • 82. مقدمه ای بر مدل های تولیدی برای تصاویر
  • 83. مدل های تولیدی در Stan برای تصاویر ساده
  • 84. مدل سازی داده های گرافی (Graph Data) با استفاده از MCMC
  • 85. مقدمه ای بر مدل های شبکه های عصبی احتمالی (Probabilistic Neural Networks)
  • 86. مدل های شبکه های عصبی در Stan
  • 87. کاربردهای MCMC با Stan در علوم زیستی
  • 88. کاربرد در ژنتیک و ژنومیک
  • 89. کاربرد در اپیدمیولوژی
  • 90. کاربرد در مطالعات بالینی
  • 91. کاربرد در علوم محیطی
  • 92. کاربرد در علوم اجتماعی
  • 93. کاربرد در اقتصاد و مالی
  • 94. کاربرد در مهندسی
  • 95. کاربرد در یادگیری ماشین
  • 96. بهینه سازی مدل های Stan
  • 97. تکنیک های نمونه برداری کارآمدتر
  • 98. روش های موازی سازی در Stan
  • 99. استفاده از Stan در کنار سایر ابزارهای آماری
  • 100. چالش ها و محدودیت های MCMC و Stan

📚 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 کاربرد MCMC با Stan در تحلیل‌های آماری”

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

محصولات مشابه

پیمایش به بالا