اپلیکیشن اندرویدی فلش‌کارت آموزشی رگرسیون چگالی افزایشی: مدل‌سازی و کاربردها با داده‌های واقعی (SOEP)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رگرسیون چگالی افزایشی: مدل‌سازی و کاربردها با داده‌های واقعی (SOEP)

موضوع کلی: آمار و یادگیری ماشین

موضوع میانی: رگرسیون توزیعی و مدل‌سازی چگالی شرطی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر آمار و یادگیری ماشین
• 2. فراتر از میانگین: چرا به مدل‌سازی توزیع نیاز داریم؟
• 3. مروری بر رگرسیون خطی و تعمیم‌یافته
• 4. محدودیت‌های مدل‌های رگرسیونی سنتی
• 5. مفهوم چگالی شرطی (Conditional Density)
• 6. معرفی رگرسیون توزیعی (Distributional Regression)
• 7. انگیزه‌ها و اهداف دوره: رگرسیون چگالی افزایشی
• 8. مقدمه‌ای بر نظریه احتمال
• 9. انواع متغیرهای تصادفی و توابع چگالی احتمال
• 10. توزیع نرمال و پارامترهای آن (میانگین و واریانس)
• 11. معرفی توزیع‌های نمایی و گاما
• 12. توزیع بتا و کاربردهای آن
• 13. خانواده توزیع‌های انعطاف‌پذیر (Flexible Distributions)
• 14. تابع درستنمایی و اصل حداکثر درستنمایی (MLE)
• 15. برآورد پارامترها با استفاده از MLE
• 16. مروری بر مدل‌های خطی تعمیم‌یافته (GLMs)
• 17. معرفی مدل‌های افزایشی (Additive Models)
• 18. مفهوم تابع هموار کننده (Smoothing Function)
• 19. اسپلاین‌های رگرسیونی و اسپلاین‌های مجازات‌شده
• 20. انتخاب تعداد گره‌ها و پارامتر هموارسازی
• 21. تخمین پارامترها در GAMs
• 22. تفسیر نمودارهای هموار در GAMs
• 23. GAMs به عنوان بلوک سازنده رگرسیون چگالی افزایشی
• 24. انتخاب مدل در GAMs (AIC, GCV)
• 25. پیاده‌سازی GAMs با بسته `mgcv` در R
• 26. گسترش GLM به مدل‌سازی توزیعی
• 27. پارامتری‌سازی توزیع‌ها: مدل‌سازی تمام پارامترها
• 28. توابع پیوند (Link Functions) برای پارامترهای توزیع
• 29. مثال: رگرسیون میانگین و واریانس به صورت همزمان
• 30. چارچوب GAMLSS (Generalized Additive Models for Location, Scale and Shape)
• 31. انتخاب خانواده توزیع برای رگرسیون توزیعی
• 32. توزیع‌های ناهمسان‌واری (Heteroscedasticity)
• 33. برآورد حداکثر درستنمایی در رگرسیون توزیعی
• 34. مشکلات و چالش‌های رگرسیون توزیعی
• 35. نرم‌افزارهای رگرسیون توزیعی: `gamlss` و `mgcv`
• 36. معرفی رگرسیون چگالی افزایشی (Additive Density Regression)
• 37. ترکیب GAMs و رگرسیون توزیعی: ایده اصلی
• 38. ساختار مدل ADR: مدل‌سازی هر پارامتر با یکpredictor افزایشی
• 39. انتخاب توزیع پایه برای ADR
• 40. توزیع‌های پیوسته متداول در ADR (نرمال، گاما، بتا، لاگ‌نرمال)
• 41. توزیع‌های گسسته متداول در ADR (پواسون، دوجمله‌ای منفی، برنولی)
• 42. پارامترهای مکان، مقیاس و شکل در ADR
• 43. فرمول‌بندی درستنمایی برای مدل‌های ADR
• 44. چارچوب کلی برآورد در ADR
• 45. توابع امتیاز و ماتریس اطلاعات فیشر
• 46. الگوریتم‌های بهینه‌سازی (IRLS، نیوتن-رافسون)
• 47. ماتریس طراحی و ماتریس جریمه برای ADR
• 48. رویکردهای مختلف پیاده‌سازی ADR (مانند `mgcv::gaulss`)
• 49. انتخاب توابع پیوند مناسب برای هر پارامتر توزیع
• 50. مزایا و انعطاف‌پذیری مدل‌های ADR
• 51. الگوریتم‌های تکراری برای برآورد پارامترها در ADR
• 52. تکرار حداقل مربعات وزن‌دار (IRLS) برای مدل‌های افزایشی در ADR
• 53. استنتاج آماری: فواصل اطمینان و آزمون‌های فرضیه
• 54. خطاهای استاندارد پارامترهای هموار در ADR
• 55. آزمون معنی‌داری برای اثرات هموار در ADR
• 56. برآورد پارامتر هموارسازی (Smoothing Parameter Estimation)
• 57. رویکردهای REML و GCV برای انتخاب پارامتر هموارسازی در ADR
• 58. مشکلات همگرایی در مدل‌های پیچیده ADR
• 59. تنظیمات پیشرفته الگوریتم‌های بهینه‌سازی در ADR
• 60. روش‌های بوت‌استرپینگ برای استنتاج قوی در ADR
• 61. تحلیل حساسیت مدل‌های ADR
• 62. مقایسه مدل‌های تو در تو (Nested Models) در ADR
• 63. پیچیدگی محاسباتی ADR
• 64. بهینه‌سازی کد برای داده‌های بزرگ در ADR
• 65. کار با توزیع‌های سفارشی در ADR (Custom Distributions)
• 66. معیارهای انتخاب مدل: AIC, BIC, GCV برای ADR
• 67. اعتبارسنجی متقابل (Cross-Validation) برای انتخاب مدل ADR
• 68. مفهوم باقیمانده‌های تصادفی کمی (Randomized Quantile Residuals)
• 69. نمودارهای Q-Q و تحلیل باقیمانده‌ها در ADR
• 70. آزمون‌های برازش (Goodness-of-Fit Tests) برای ADR
• 71. بررسی مفروضات مدل ADR
• 72. شناسایی داده‌های پرت (Outliers) و نقاط اهرمی (Leverage Points)
• 73. تحلیل تأثیر (Influence Analysis) در ADR
• 74. مقایسه ADR با مدل‌های پارامتری توزیعی
• 75. مقایسه ADR با مدل‌های رگرسیونی میانگین شرطی
• 76. تجمیع و میانگین‌گیری مدل‌ها (Model Averaging)
• 77. پیش‌بینی‌های شرطی از مدل‌های ADR
• 78. Uncertainty quantification در پیش‌بینی‌ها با ADR
• 79. تفسیر اثرات هموار بر پارامترهای مختلف توزیع
• 80. تصویرسازی توابع هموار برای پارامتر مکان
• 81. تصویرسازی توابع هموار برای پارامتر مقیاس
• 82. تصویرسازی توابع هموار برای پارامترهای شکل
• 83. ترسیم توزیع‌های چگالی شرطی پیش‌بینی‌شده
• 84. نمودارهای سطح (Contour Plots) برای توزیع‌های دو متغیره
• 85. تجسم تغییرات توزیع در طول زمان یا بین گروه‌ها
• 86. بسته‌های تصویری برای ADR (مانند `gratia` در R)
• 87. روایت داستان داده‌ها از طریق تجسم ADR
• 88. اشتباهات رایج در تفسیر و تجسم ADR
• 89. معرفی داده‌های مطالعه پانل اجتماعی-اقتصادی آلمان (SOEP)
• 90. ویژگی‌ها و اهمیت داده‌های SOEP برای تحقیقات اجتماعی
• 91. پیش‌پردازش و آماده‌سازی داده‌های SOEP برای ADR
• 92. مثال کاربردی: مدل‌سازی توزیع درآمد با ADR در SOEP
• 93. تحلیل تأثیر متغیرهای اجتماعی-اقتصادی بر درآمد (میانگین و واریانس)
• 94. مثال کاربردی: مدل‌سازی توزیع رضایت از زندگی با ADR در SOEP
• 95. بررسی عوامل موثر بر شکل توزیع رضایت از زندگی
• 96. مثال کاربردی: مدل‌سازی توزیع ساعات کار با ADR در SOEP
• 97. تحلیل اثرات سنی و جنسیتی بر چگالی ساعات کار
• 98. استخراج بینش‌های سیاستی از نتایج ADR با SOEP
• 99. مروری بر مفاهیم کلیدی و دستاوردهای دوره
• 100. آینده رگرسیون چگالی افزایشی و مسیرهای تحقیقاتی