اپلیکیشن اندرویدی فلش‌کارت آموزشی بررسی روابط پیچیده در داده‌های علوم اجتماعی با MCMC

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بررسی روابط پیچیده در داده‌های علوم اجتماعی با MCMC

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

موضوع میانی: علوم اجتماعی (Social Sciences)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های شبیه‌سازی مارکوف زنجیره‌ای مونته‌کارلو
• 2. مفاهیم پایه احتمال و آمار برای علوم اجتماعی
• 3. مبانی نظری مدل‌های آماری در علوم اجتماعی
• 4. آشنایی با توزیع‌های احتمال گسسته و پیوسته
• 5. مفاهیم امید ریاضی، واریانس و کوواریانس
• 6. مقدمات زنجیره‌های مارکوف و خواص آن‌ها
• 7. فرآیندهای تصادفی و کاربردشان در مدل‌سازی
• 8. مفاهیم پایه استنتاج آماری
• 9. آزمون فرض آماری و انواع آن
• 10. فواصل اطمینان و روش‌های محاسبه آن‌ها
• 11. معرفی الگوریتم‌های MCMC
• 12. چرا MCMC در علوم اجتماعی مفید است؟
• 13. مبانی نظری الگوریتم Metropolis-Hastings
• 14. پیاده‌سازی الگوریتم Metropolis-Hastings
• 15. مبانی نظری الگوریتم Gibbs Sampling
• 16. پیاده‌سازی الگوریتم Gibbs Sampling
• 17. مقایسه Metropolis-Hastings و Gibbs Sampling
• 18. ارزیابی همگرایی در الگوریتم‌های MCMC
• 19. معیارهای تشخیص همگرایی (Trace plots, ACF plots)
• 20. روش‌های تشخیص همگرایی (Gelman-Rubin, Geweke)
• 21. پس‌پردازش نتایج MCMC
• 22. تخمین پارامترها با استفاده از MCMC
• 23. محاسبه فواصل اطمینان از طریق MCMC
• 24. مدل‌های خطی تعمیم‌یافته (GLM)
• 25. کاربرد GLM در تحلیل داده‌های علوم اجتماعی
• 26. مدل‌های رگرسیون لجستیک با MCMC
• 27. مدل‌های رگرسیون پواسون با MCMC
• 28. مدل‌های رگرسیون نیمه-پواسون با MCMC
• 29. مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 30. مبانی نظری مدل‌های سلسله‌مراتبی
• 31. کاربرد مدل‌های سلسله‌مراتبی در علوم اجتماعی
• 32. پیاده‌سازی مدل‌های سلسله‌مراتبی با MCMC
• 33. مدل‌های چندسطحی (Multilevel Models)
• 34. کاربرد مدل‌های چندسطحی در تحلیل داده‌های طولی
• 35. تحلیل داده‌های طولی با MCMC
• 36. مدل‌های رگرسیون ناپارامتریک با MCMC
• 37. مدل‌های سری زمانی با MCMC
• 38. مدل‌های مدل‌سازی انتخاب گسسته با MCMC
• 39. مدل‌های معادلات ساختاری (SEM) با MCMC
• 40. تحلیل عاملی اکتشافی با MCMC
• 41. تحلیل عاملی تأییدی با MCMC
• 42. مدل‌های شبکه و تحلیل شبکه‌های اجتماعی با MCMC
• 43. تحلیل عاملی زمانی با MCMC
• 44. مدل‌های پیش‌بینی با استفاده از MCMC
• 45. مدل‌های طبقه‌بندی با استفاده از MCMC
• 46. مدل‌های خوشه‌بندی با استفاده از MCMC
• 47. مدل‌های تحلیل بقا با MCMC
• 48. مدل‌های ارزش‌گذاری با MCMC
• 49. مدل‌های تحلیل داده‌های پرسشنامه با MCMC
• 50. مدل‌های تحلیل داده‌های پیمایشی با MCMC
• 51. مدل‌های تحلیل داده‌های میدانی با MCMC
• 52. مدل‌های تحلیل داده‌های کیفی با MCMC
• 53. مدل‌های تحلیل داده‌های ترکیبی با MCMC
• 54. کاربرد MCMC در مدل‌سازی رفتار مصرف‌کننده
• 55. کاربرد MCMC در مدل‌سازی رفتار رأی‌دهندگان
• 56. کاربرد MCMC در مدل‌سازی رضایت شغلی
• 57. کاربرد MCMC در مدل‌سازی سلامت روان
• 58. کاربرد MCMC در مدل‌سازی نابرابری اجتماعی
• 59. کاربرد MCMC در مدل‌سازی مهاجرت
• 60. کاربرد MCMC در مدل‌سازی جرم و جنایت
• 61. کاربرد MCMC در مدل‌سازی آموزش
• 62. کاربرد MCMC در مدل‌سازی خانواده
• 63. کاربرد MCMC در مدل‌سازی دینامیک جمعیت
• 64. کاربرد MCMC در مدل‌سازی تغییرات اجتماعی
• 65. کاربرد MCMC در مدل‌سازی ارتباطات
• 66. کاربرد MCMC در مدل‌سازی رسانه
• 67. کاربرد MCMC در مدل‌سازی سیاست‌گذاری
• 68. کاربرد MCMC در مدل‌سازی اقتصاد خرد
• 69. کاربرد MCMC در مدل‌سازی اقتصاد کلان
• 70. کاربرد MCMC در مدل‌سازی مالی
• 71. کاربرد MCMC در مدل‌سازی بیمه
• 72. کاربرد MCMC در مدل‌سازی بانکداری اسلامی
• 73. کاربرد MCMC در مدل‌سازی سرمایه‌گذاری
• 74. کاربرد MCMC در مدل‌سازی کارآفرینی
• 75. کاربرد MCMC در مدل‌سازی توسعه
• 76. کاربرد MCMC در مدل‌سازی برنامه‌ریزی شهری
• 77. کاربرد MCMC در مدل‌سازی محیط زیست
• 78. کاربرد MCMC در مدل‌سازی سلامت عمومی
• 79. کاربرد MCMC در مدل‌سازی حقوق
• 80. کاربرد MCMC در مدل‌سازی تاریخ
• 81. کاربرد MCMC در مدل‌سازی فرهنگ
• 82. مدل‌های استنتاج بیزی (Bayesian Inference)
• 83. آشنایی با مفاهیم بیزی
• 84. کاربرد استنتاج بیزی در علوم اجتماعی
• 85. مقایسه رویکردهای بیزی و فراوانی‌گرا
• 86. روش‌های پیشرفته MCMC (مانند Hamiltonian Monte Carlo)
• 87. کاربرد MCMC در تحلیل داده‌های بزرگ
• 88. نرم‌افزارهای آماری برای MCMC (مانند Stan, JAGS, BUGS)
• 89. آموزش مقدماتی نرم‌افزار Stan
• 90. آموزش مقدماتی نرم‌افزار JAGS
• 91. آموزش مقدماتی نرم‌افزار BUGS
• 92. مطالعات موردی پیشرفته MCMC در علوم اجتماعی
• 93. انتخاب مدل مناسب با استفاده از معیارهای اطلاعاتی (AIC, BIC)
• 94. ارزیابی کیفیت مدل با استفاده از اعتبارسنجی متقابل (Cross-validation)
• 95. ملاحظات اخلاقی در تحلیل داده‌های علوم اجتماعی
• 96. گزارش‌دهی نتایج MCMC به شیوه‌ای شفاف
• 97. آینده پژوهی در کاربرد MCMC در علوم اجتماعی