سپنتا کتاب اکسپرس
کتاب مدل‌سازی سلسله مراتبی با PyMC

کتاب مدل‌سازی سلسله مراتبی با PyMC

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 مدل‌سازی سلسله مراتبی با PyMC

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

موضوع میانی: فریم‌ورک PyMC

📋 سرفصل‌های دوره

  • 1. مبانی احتمال و آمار برای مدل‌سازی سلسله مراتبی
  • 2. مقدمه‌ای بر مدل‌های سلسله مراتبی
  • 3. چرایی استفاده از مدل‌های سلسله مراتبی
  • 4. مفاهیم بیزی و استنباط بیزی
  • 5. قضیه بیز و کاربردهای آن
  • 6. توزیع‌های پیشین و پسین
  • 7. انواع توزیع‌های پیشین متداول
  • 8. مدل‌سازی پارامترهای مجهول
  • 9. توزیع‌های پیشین برای پارامترهای نرخ
  • 10. توزیع‌های پیشین برای پارامترهای مقیاس
  • 11. نمونه‌گیری از توزیع‌های پیشین
  • 12. مقدمه‌ای بر PyMC
  • 13. نصب و راه‌اندازی PyMC
  • 14. ساختار مدل در PyMC
  • 15. تعریف متغیرهای تصادفی در PyMC
  • 16. توزیع‌های احتمال در PyMC
  • 17. تعریف توزیع‌های پیشین در PyMC
  • 18. تعریف توزیع‌های پیشین نرمال
  • 19. تعریف توزیع‌های پیشین بتا
  • 20. تعریف توزیع‌های پیشین پواسون
  • 21. تعریف توزیع‌های پیشین نمایی
  • 22. تعریف توزیع‌های پیشین گاما
  • 23. تعریف توزیع‌های پیشین کای-دو
  • 24. تعریف توزیع‌های پیشین t-Student
  • 25. تعریف توزیع‌های پیشین توزیع dirichlet
  • 26. ساختارهای شرطی در PyMC
  • 27. مدل‌های خطی ساده با PyMC
  • 28. رگرسیون خطی بیزی
  • 29. تفسیر نتایج رگرسیون خطی بیزی
  • 30. مدل‌های خطی تعمیم‌یافته (GLM)
  • 31. رگرسیون لجستیک بیزی
  • 32. رگرسیون پواسون بیزی
  • 33. رگرسیون گاما بیزی
  • 34. مدل‌های سلسله مراتبی ساده
  • 35. مدل سلسله مراتبی برای میانگین‌ها
  • 36. مدل سلسله مراتبی برای واریانس‌ها
  • 37. مدل سلسله مراتبی برای پارامترهای رگرسیون
  • 38. استفاده از داده‌های گروه‌بندی شده
  • 39. مدل اثرات تصادفی
  • 40. مدل اثرات ثابت
  • 41. مقایسه مدل اثرات تصادفی و ثابت
  • 42. مدل‌های سلسله مراتبی چند سطحی
  • 43. مدل دو سطحی
  • 44. مدل سه سطحی
  • 45. مدل‌سازی داده‌های طولی
  • 46. مدل‌سازی داده‌های فضایی
  • 47. مدل‌سازی داده‌های زمانی
  • 48. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
  • 49. الگوریتم‌های MCMC در PyMC
  • 50. نمونه‌گیری Gibbs
  • 51. نمونه‌گیری Metropolis-Hastings
  • 52. الگوریتم No-U-Turn Sampler (NUTS)
  • 53. ارزیابی همگرایی MCMC
  • 54. معیارهای همگرایی (R-hat, ESS)
  • 55. تجسم نتایج MCMC
  • 56. نمودارهای trace
  • 57. نمودارهای autocorrelation
  • 58. نمودارهای posterior predictive checks
  • 59. اعتبارسنجی مدل
  • 60. تست‌های برازش مدل
  • 61. مقایسه مدل‌ها با استفاده از معیارهای بیزی
  • 62. تکنیک‌های پیشرفته در PyMC
  • 63. مدل‌سازی داده‌های گمشده
  • 64. استفاده از توزیع‌های ترکیبی
  • 65. مدل‌سازی خوشه‌ای
  • 66. مدل‌سازی شبکه‌ای
  • 67. مدل‌سازی داده‌های متنی
  • 68. مدل‌سازی داده‌های تصویری
  • 69. مدل‌سازی داده‌های صوتی
  • 70. کاربرد مدل‌های سلسله مراتبی در علوم اجتماعی
  • 71. کاربرد مدل‌های سلسله مراتبی در علوم پزشکی
  • 72. کاربرد مدل‌های سلسله مراتبی در اقتصاد
  • 73. کاربرد مدل‌های سلسله مراتبی در مهندسی
  • 74. کاربرد مدل‌های سلسله مراتبی در علوم محیط زیست
  • 75. کاربرد مدل‌های سلسله مراتبی در علوم زیستی
  • 76. مدل‌سازی سلسله مراتبی برای داده‌های طبقه‌بندی
  • 77. مدل‌سازی سلسله مراتبی برای داده‌های رگرسیون
  • 78. مدل‌سازی سلسله مراتبی برای داده‌های رتبه‌ای
  • 79. مدل‌سازی سلسله مراتبی برای داده‌های بقا
  • 80. بهینه‌سازی مدل‌های سلسله مراتبی
  • 81. نکات کاربردی در ساخت مدل‌های پیچیده
  • 82. مدیریت محاسبات در مدل‌های بزرگ
  • 83. استفاده از GPU برای تسریع محاسبات
  • 84. ملاحظات اخلاقی در مدل‌سازی بیزی
  • 85. مقدمه‌ای بر یادگیری ماشین بیزی
  • 86. شبکه‌های بیزی
  • 87. استنتاج در شبکه‌های بیزی
  • 88. کاربرد شبکه‌های بیزی در پیش‌بینی
  • 89. مدل‌های پیش‌بینی سری زمانی بیزی
  • 90. مدل‌های پیش‌بینی فضایی بیزی
  • 91. مدل‌های پیش‌بینی مبتنی بر عامل
  • 92. مقدمه‌ای بر یادگیری عمیق بیزی
  • 93. شبکه‌های عصبی بیزی
  • 94. کاربرد شبکه‌های عصبی بیزی در طبقه‌بندی
  • 95. کاربرد شبکه‌های عصبی بیزی در رگرسیون

📚 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.