اپلیکیشن اندرویدی فلش‌کارت آموزشی کتابخانه ها و ابزارهای نرم‌افزاری برای RJMCMC

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کتابخانه ها و ابزارهای نرم‌افزاری برای RJMCMC

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

موضوع میانی: نمونه‌گیری قابل برگشت (Reversible Jump MCMC - RJMCMC)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی R
• 2. نصب و پیکربندی محیط R
• 3. مفاهیم پایه در R: متغیرها، انواع داده و ساختارها
• 4. آشنایی با بردارها، ماتریس‌ها و آرایه‌ها در R
• 5. کار با لیست‌ها و دیتا فریم‌ها در R
• 6. عملیات منطقی و شرطی در R
• 7. حلقه‌های تکرار در R
• 8. توابع در R: تعریف و استفاده
• 9. مدیریت بسته‌های نرم‌افزاری در R
• 10. آشنایی با RStudio و ابزارهای آن
• 11. مقدمه‌ای بر تحلیل داده‌های آماری
• 12. آمار توصیفی در R: میانگین، میانه، واریانس
• 13. نمودارهای آماری در R: هیستوگرام، نمودار پراکندگی
• 14. مفاهیم احتمال در R
• 15. توزیع‌های احتمال گسسته در R (دوجمله‌ای، پواسون)
• 16. توزیع‌های احتمال پیوسته در R (نرمال، یکنواخت)
• 17. استنباط آماری: تخمین نقطه‌ای
• 18. استنباط آماری: فواصل اطمینان
• 19. آزمون فرض آماری: اصول و مبانی
• 20. آزمون فرض برای میانگین در R
• 21. آزمون فرض برای نسبت در R
• 22. آزمون همگنی و استقلال در R
• 23. مقدمه‌ای بر مدل‌سازی خطی
• 24. رگرسیون خطی ساده در R
• 25. رگرسیون خطی چندگانه در R
• 26. تشخیص و رفع مشکلات مدل رگرسیون
• 27. مقدمه‌ای بر سری‌های زمانی
• 28. مدل‌های ARIMA در R
• 29. پیش‌بینی با سری‌های زمانی در R
• 30. مقدمه‌ای بر شبیه‌سازی و نمونه‌برداری
• 31. مفاهیم زنجیره‌های مارکوف
• 32. شبیه‌سازی زنجیره‌های مارکوف در R
• 33. مقدمه‌ای بر روش‌های مونت کارلو
• 34. روش‌های نمونه‌برداری مارکوف زنجیره‌ای (MCMC)
• 35. مبانی نظری MCMC
• 36. الگوریتم Metropolis-Hastings
• 37. الگوریتم Gibbs Sampling
• 38. پیاده‌سازی MCMC در R
• 39. بررسی همگرایی در MCMC
• 40. ارزیابی کیفیت نمونه‌ها در MCMC
• 41. استفاده از بسته `rjags` در R
• 42. نوشتن مدل‌های JAGS
• 43. اجرای مدل‌های JAGS در R
• 44. تجزیه و تحلیل نتایج JAGS
• 45. استفاده از بسته `rstan` در R
• 46. نوشتن مدل‌های Stan
• 47. اجرای مدل‌های Stan در R
• 48. تجزیه و تحلیل نتایج Stan
• 49. مقایسه `rjags` و `rstan`
• 50. کاربرد MCMC در آمار بیزی
• 51. مدل‌سازی بیزی در R
• 52. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 53. مدل‌های لجستیک در R
• 54. مدل‌های پواسون در R
• 55. کاربرد GLM در تحلیل داده‌ها
• 56. مقدمه‌ای بر خوشه‌بندی
• 57. الگوریتم K-Means در R
• 58. خوشه‌بندی سلسله مراتبی در R
• 59. ارزیابی کیفیت خوشه‌ها
• 60. مقدمه‌ای بر کاهش ابعاد
• 61. تحلیل مولفه‌های اصلی (PCA) در R
• 62. تحلیل عاملی در R
• 63. کاربرد PCA و تحلیل عاملی در تحلیل داده‌ها
• 64. مقدمه‌ای بر داده‌کاوی
• 65. قوانین وابستگی در R
• 66. مقدمه‌ای بر یادگیری ماشین
• 67. یادگیری نظارت شده در R
• 68. یادگیری نظارت نشده در R
• 69. مقدمه‌ای بر شبکه‌های عصبی
• 70. شبکه‌های عصبی پرسپترون چندلایه در R
• 71. مقدمه‌ای بر درخت‌های تصمیم
• 72. پیاده‌سازی درخت‌های تصمیم در R
• 73. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 74. کاربرد SVM در R
• 75. مقدمه‌ای بر یادگیری تقویتی
• 76. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 77. کاربرد NLP در R
• 78. مقدمه‌ای بر بصری‌سازی داده‌های پیشرفته
• 79. نمودارهای تعاملی در R با `plotly`
• 80. نمودارهای شبکه‌ای در R
• 81. مقدمه‌ای بر داده‌های مکانی
• 82. تحلیل داده‌های مکانی در R
• 83. مقدمه‌ای بر بیوانفورماتیک
• 84. کاربرد R در بیوانفورماتیک
• 85. مقدمه‌ای بر اقتصاد سنجی
• 86. کاربرد R در اقتصاد سنجی
• 87. مقدمه‌ای بر تحلیل سری‌های زمانی بیزی
• 88. مدل‌های بیزی برای سری‌های زمانی
• 89. استفاده از MCMC برای مدل‌های بیزی سری زمانی
• 90. کاربرد MCMC در آمار مالی
• 91. مدل‌سازی ریسک با MCMC
• 92. مقدمه‌ای بر بهینه‌سازی با MCMC
• 93. کاربرد MCMC در استنتاج آماری پیشرفته
• 94. مقدمه‌ای بر نرم‌افزارهای آماری دیگر
• 95. مقایسه R با نرم‌افزارهای آماری دیگر
• 96. راهنمای عیب‌یابی مشکلات رایج در R
• 97. بهینه‌سازی کد R برای سرعت و کارایی
• 98. مقدمه‌ای بر توسعه بسته‌های R
• 99. اصول طراحی سیستم‌های نرم‌افزاری
• 100. مفاهیم پایگاه داده و R