سپنتا کتاب اکسپرس
کتاب کاربرد الگوریتم‌های MCMC در آمار بیزی

کتاب کاربرد الگوریتم‌های MCMC در آمار بیزی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد الگوریتم‌های MCMC در آمار بیزی

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

موضوع میانی: پشتیبانی از انواع الگوریتم‌های MCMC

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر آمار بیزی و مدل‌های احتمالاتی
  • 2. مفاهیم پایه احتمال و استنباط بیزی
  • 3. قضیه بیز و کاربردهای آن
  • 4. توزیع‌های پیشین و پسین
  • 5. انتخاب توزیع پیشین مناسب
  • 6. توزیع‌های پیشین رایج در آمار بیزی
  • 7. مفهوم تابع درستنمایی
  • 8. انتخاب تابع درستنمایی مناسب
  • 9. توزیع‌های نرمال، پواسون، دوجمله‌ای به عنوان تابع درستنمایی
  • 10. محاسبه توزیع پسین به صورت تحلیلی
  • 11. محدودیت‌های محاسبه تحلیلی توزیع پسین
  • 12. مقدمه‌ای بر الگوریتم‌های زنجیره مارکوف مونت کارلو (MCMC)
  • 13. نیاز به MCMC در مسائل پیچیده
  • 14. مفهوم زنجیره مارکوف
  • 15. خواص حالت پایای زنجیره مارکوف
  • 16. الگوریتم متروپلیس-هستینگز
  • 17. مراحل الگوریتم متروپلیس-هستینگز
  • 18. انتخاب تابع پیشنهاد در متروپلیس-هستینگز
  • 19. مفهوم نرخ پذیرش
  • 20. بهینه‌سازی نرخ پذیرش
  • 21. الگوریتم نمونه‌گیری گیبز
  • 22. مراحل الگوریتم نمونه‌گیری گیبز
  • 23. شرایط لازم برای استفاده از نمونه‌گیری گیبز
  • 24. مقایسه متروپلیس-هستینگز و نمونه‌گیری گیبز
  • 25. کاربرد MCMC در مدل‌های خطی تعمیم‌یافته بیزی
  • 26. استنباط بیزی برای رگرسیون خطی
  • 27. استنباط بیزی برای رگرسیون لجستیک
  • 28. استنباط بیزی برای مدل‌های پواسون
  • 29. مدل‌های سلسله مراتبی بیزی
  • 30. مقدمه‌ای بر مدل‌های سلسله مراتبی
  • 31. ساختار مدل‌های سلسله مراتبی
  • 32. استفاده از MCMC در مدل‌های سلسله مراتبی
  • 33. مثال‌هایی از مدل‌های سلسله مراتبی
  • 34. کاربرد MCMC در سری‌های زمانی بیزی
  • 35. مدل‌های ARIMA بیزی
  • 36. مدل‌های حالت-فضا بیزی
  • 37. استنباط پارامترها در مدل‌های سری زمانی بیزی
  • 38. کاربرد MCMC در تحلیل بقا بیزی
  • 39. مدل‌های کاکس بیزی
  • 40. مدل‌های پارامتریک بیزی برای بقا
  • 41. ارزیابی همگرایی الگوریتم‌های MCMC
  • 42. معیارهای بصری برای ارزیابی همگرایی
  • 43. معیارهای کمی برای ارزیابی همگرایی (Gelman-Rubin)
  • 44. تشخیص همگرایی با استفاده از چندین زنجیره
  • 45. تشخیص واگرایی و عدم همگرایی
  • 46. پس‌پردازش نتایج MCMC
  • 47. تخمین امید ریاضی و واریانس توزیع پسین
  • 48. محاسبه فواصل اطمینان بیزی (Credible Intervals)
  • 49. تجسم توزیع پسین
  • 50. ارزیابی کیفیت نمونه‌ها
  • 51. مقدمه‌ای بر نرم‌افزارهای MCMC
  • 52. نرم‌افزار Stan
  • 53. نرم‌افزار JAGS
  • 54. نرم‌افزار PyMC3
  • 55. نرم‌افزار TensorFlow Probability
  • 56. نوشتن کد MCMC برای مسائل ساده
  • 57. مثال عملی: تخمین پارامتر در توزیع بتا
  • 58. مثال عملی: مدل رگرسیون ساده بیزی
  • 59. مثال عملی: مدل دسته‌بندی بیزی
  • 60. بهینه‌سازی کد MCMC
  • 61. کاربرد MCMC در مدل‌های آماری پیچیده
  • 62. مدل‌های پراکندگی بیزی
  • 63. مدل‌های ناپارامتری بیزی
  • 64. مدل‌های گرافیکی بیزی
  • 65. کاربرد MCMC در یادگیری ماشین بیزی
  • 66. دسته‌بندی بیزی
  • 67. خوشه‌بندی بیزی
  • 68. کاهش ابعاد بیزی
  • 69. مقدمه‌ای بر روش‌های پیشرفته MCMC
  • 70. نمونه‌گیری Importance Sampling
  • 71. نمونه‌گیری Sequential Monte Carlo
  • 72. روش‌های MCMC مبتنی بر گرادیان
  • 73. کاربرد MCMC در علوم زیستی
  • 74. مدل‌سازی ژنتیکی بیزی
  • 75. مدل‌سازی همه‌گیری بیزی
  • 76. مدل‌سازی زیست‌انفورماتیک بیزی
  • 77. کاربرد MCMC در علوم اقتصادی
  • 78. مدل‌سازی اقتصادسنجی بیزی
  • 79. مدل‌سازی ریسک مالی بیزی
  • 80. مدل‌سازی پیش‌بینی اقتصادی بیزی
  • 81. کاربرد MCMC در علوم اجتماعی
  • 82. تحلیل داده‌های پیمایشی بیزی
  • 83. مدل‌سازی شبکه‌های اجتماعی بیزی
  • 84. تحلیل محتوای بیزی
  • 85. ملاحظات عملی در اجرای MCMC
  • 86. انتخاب تعداد تکرار و طول زنجیره
  • 87. مدیریت حافظه و زمان محاسباتی
  • 88. تفسیر نتایج در حضور عدم قطعیت
  • 89. محدودیت‌های الگوریتم‌های MCMC
  • 90. موضوعات پیشرفته در MCMC (اختیاری)
  • 91. معرفی الگوریتم‌های MCMC موازی
  • 92. روش‌های MCMC برای توزیع‌های با ابعاد بالا
  • 93. نکات تکمیلی در انتخاب توزیع پیشین

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.