اپلیکیشن اندرویدی فلشکارت آموزشی مباحث پیشرفته در مدلسازی بیزی با BUGS
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره مباحث پیشرفته در مدلسازی بیزی با BUGS
موضوع کلی: روشهای نمونهگیری مونتکارلو مارکوف (MCMC) در آمار بیزی
موضوع میانی: زبان مدلسازی BUGS
📋 سرفصلهای دوره
- 1. مقدمهای بر مدلسازی بیزی
- 2. مفاهیم پایه احتمال و آمار
- 3. توزیعهای احتمال گسسته و پیوسته
- 4. قضیه بیز و استنتاج بیزی
- 5. مقدمهای بر نرمافزار BUGS
- 6. نصب و راهاندازی BUGS
- 7. سینتکس زبان BUGS
- 8. تعریف مدلهای بیزی ساده
- 9. اجرای مدلهای بیزی در BUGS
- 10. تفسیر نتایج BUGS: توزیع پسین
- 11. روشهای نمونهگیری مارکوف چین مونت کارلو (MCMC)
- 12. الگوریتم گیبز
- 13. تشخیص همگرایی زنجیرههای MCMC
- 14. معیارهای همگرایی: R-hat و Trace plots
- 15. نمونهگیری از توزیعهای پیچیده
- 16. مدلهای خطی تعمیمیافته بیزی
- 17. مدلهای رگرسیون خطی بیزی
- 18. مدلهای رگرسیون لجستیک بیزی
- 19. مدلهای رگرسیون پواسون بیزی
- 20. مدلهای سلسلهمراتبی (Hierarchical Models)
- 21. مزایای مدلهای سلسلهمراتبی
- 22. پیادهسازی مدلهای سلسلهمراتبی در BUGS
- 23. مدلهای اثرات تصادفی (Random Effects)
- 24. مدلهای اثرات ثابت (Fixed Effects)
- 25. مدلهای مختلط (Mixed Models)
- 26. مدلسازی دادههای سری زمانی با رویکرد بیزی
- 27. مدلهای ARIMA بیزی
- 28. مدلهای حالت-فضا (State-Space Models)
- 29. کاربرد مدلهای بیزی در علوم زیستی
- 30. مدلسازی بقا (Survival Analysis)
- 31. مدلهای بیزی برای دادههای پزشکی
- 32. کاربرد مدلهای بیزی در اقتصاد
- 33. مدلسازی ریسک در بیمه با BUGS
- 34. مدلسازی اقتصاد سنجی بیزی
- 35. مدلسازی پیشبینی اقتصادی
- 36. کاربرد مدلهای بیزی در علوم اجتماعی
- 37. مدلسازی پیمایشها با رویکرد بیزی
- 38. مدلسازی شبکههای اجتماعی
- 39. مدلسازی دادههای مکانی با BUGS
- 40. مدلهای مکانی بیزی
- 41. مدلسازی دادههای تصویری با رویکرد بیزی
- 42. مقدمهای بر روشهای بیزی پیشرفته
- 43. مدلهای بیزی غیرپارامتری
- 44. فرآیندهای گوسی (Gaussian Processes)
- 45. کاربرد فرآیندهای گوسی در رگرسیون
- 46. کاربرد فرآیندهای گوسی در طبقهبندی
- 47. مدلهای بیزی مبتنی بر درخت (Tree-based Bayesian Models)
- 48. جنگلهای تصادفی بیزی
- 49. ماشینهای بردار پشتیبان بیزی
- 50. مدلهای بیزی برای دادههای پرتعداد (Big Data)
- 51. استفاده از JAGS به عنوان جایگزین BUGS
- 52. استفاده از Stan برای مدلسازی بیزی
- 53. مقایسه BUGS، JAGS و Stan
- 54. بهینهسازی مدلهای بیزی
- 55. اعتبارسنجی مدلهای بیزی
- 56. حساسیتسنجی مدلها
- 57. مدلسازی عدم قطعیت
- 58. مقدمهای بر مدلسازی بیزی پویا
- 59. مدلهای بیزی برای دادههای پویا
- 60. کاربرد مدلهای بیزی در یادگیری ماشین
- 61. یادگیری بیزی
- 62. شبکههای بیزی
- 63. استنتاج در شبکههای بیزی
- 64. کاربرد شبکههای بیزی در هوش مصنوعی
- 65. مدلسازی علی (Causal Modeling) با رویکرد بیزی
- 66. استنتاج علی با استفاده از مدلهای بیزی
- 67. طراحی آزمایشها با رویکرد بیزی
- 68. تحلیل دادههای آزمایشی با BUGS
- 69. مدلسازی بیزی برای مسائل بهینهسازی
- 70. بهینهسازی بیزی
- 71. استفاده از BUGS در پژوهشهای دانشگاهی
- 72. تکنیکهای پیشرفته نمونهگیری MCMC
- 73. کاهش همبستگی بین متغیرها در MCMC
- 74. نمونهگیری از مدلهای پیچیده با استفاده از MCMC
- 75. روشهای بیزی برای دادههای گمشده
- 76. مدلسازی دادههای گمشده با رویکرد بیزی
- 77. حساسیت مدل به فرضهای مربوط به دادههای گمشده
- 78. مدلسازی بیزی با استفاده از کتابخانههای پایتون (PyMC3)
- 79. مقدمهای بر PyMC3
- 80. پیادهسازی مدلهای بیزی در PyMC3
- 81. مقایسه PyMC3 با BUGS
- 82. مدلسازی بیزی با استفاده از کتابخانههای R (rstanarm, brms)
- 83. مقدمهای بر rstanarm و brms
- 84. پیادهسازی مدلهای بیزی در R
- 85. مقایسه rstanarm و brms با BUGS
- 86. مدلسازی بیزی برای دادههای رتبهای
- 87. مدلهای بیزی برای دادههای شمارشی
- 88. مدلسازی بیزی برای دادههای پیوسته
- 89. مدلسازی بیزی برای دادههای دودویی
- 90. مدلسازی بیزی برای دادههای چندکاره (Multivariate)
- 91. مدلسازی بیزی برای دادههای خوشهای (Clustered Data)
- 92. مدلسازی بیزی برای دادههای پانل (Panel Data)
- 93. مدلسازی بیزی برای دادههای هتروسکدastic
- 94. مقدمهای بر مدلسازی بیزی پیشرفته در BUGS
- 95. مدلسازی با استفاده از توزیعهای ترکیبی
- 96. مدلسازی بیزی با استفاده از توابع احتمال سفارشی
- 97. روشهای اعتبارسنجی متقابل بیزی
- 98. تحلیل حساسیت پارامترها با استفاده از BUGS
- 99. مدلسازی بیزی برای استنتاج پارامتری
- 100. مدلسازی بیزی برای استنتاج پیشبینی
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.