اپلیکیشن اندرویدی فلش‌کارت آموزشی یادگیری مدل‌های آماری پیشرفته با استفاده از کتابخانه PyMC3 در پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری مدل‌های آماری پیشرفته با استفاده از کتابخانه PyMC3 در پایتون

موضوع کلی: علوم داده و تحلیل‌های پیشرفته آماری

موضوع میانی: مدل‌سازی احتمالی و استنتاج بیزی (Bayesian Inference)

📋 سرفصل‌های دوره

• 1. مفاهیم بنیادی احتمال و استنتاج آماری
• 2. معرفی برنامه‌نویسی احتمالی و اکوسیستم پایتون
• 3. نصب و راه‌اندازی محیط توسعه PyMC3
• 4. ساختار مدل‌های آماری در PyMC
• 5. توزیع‌های احتمالاتی و کاربرد آن‌ها در مدل‌سازی
• 6. مفهوم استنتاج بیزی و قضیه بیز
• 7. تفاوت رویکرد بیزی و فراوانی‌گرا در تحلیل داده
• 8. مدل‌سازی سلسله‌مراتبی و اهمیت آن در تحلیل داده‌های پیچیده
• 9. شبیه‌سازی مونت‌کارلو و زنجیره مارکوف
• 10. الگوریتم نمونه‌برداری گیبس و محدودیت‌های آن
• 11. مبانی الگوریتم مونت‌کارلو همیلتونی
• 12. مزایای الگوریتم NUTS در بهینه‌سازی نمونه‌برداری
• 13. تعریف متغیرهای تصادفی در PyMC3
• 14. توابع احتمال پیشین و نقش آن‌ها در مدل
• 15. توابع احتمال مشاهده و تابع درست‌نمایی
• 16. استفاده از مدل‌های رگرسیون خطی بیزی
• 17. تخمین پارامترها با استفاده از استنتاج بیزی
• 18. ارزیابی همگرایی زنجیره‌ها با استفاده از نمودارهای Trace
• 19. استفاده از معیارهای آماری برای تشخیص همگرایی مدل
• 20. تحلیل پسین و تفسیر توزیع‌های پارامترها
• 21. مواجهه با داده‌های گمشده در مدل‌سازی بیزی
• 22. مدل‌های رگرسیون لجستیک بیزی
• 23. پیاده‌سازی مدل‌های دسته‌بندی با PyMC3
• 24. مدل‌های آمیخته و تحلیل خوشه‌ای بیزی
• 25. مدل‌سازی داده‌های سری زمانی با رویکرد بیزی
• 26. استفاده از مدل‌های فضای حالت در پیش‌بینی
• 27. ارزیابی عملکرد مدل با استفاده از معیار WAIC
• 28. مقایسه مدل‌ها با استفاده از معیار LOO-CV
• 29. تکنیک‌های پیش‌بینی پسین و بررسی صحت مدل
• 30. به‌کارگیری مدل‌های سلسله‌مراتبی برای داده‌های گروهی
• 31. مدل‌سازی اثرات تصادفی در داده‌های چندسطحی
• 32. تکنیک‌های بهینه‌سازی در استنتاج متغیر
• 33. کاربردهای عملی PyMC3 در تحلیل داده‌های اقتصادی
• 34. مدل‌سازی بیزی در علوم زیستی و پزشکی
• 35. استفاده از مدل‌های بیزی در تحلیل رفتاری
• 36. تجسم داده‌های پسین با استفاده از ArviZ
• 37. گزارش‌دهی و تفسیر نتایج مدل‌های آماری پیشرفته
• 38. نکات کلیدی در مدیریت حافظه هنگام اجرای مدل‌های سنگین
• 39. بهینه‌سازی محاسبات ماتریسی در PyMC3
• 40. مستندسازی و اشتراک‌گذاری مدل‌های آماری تولید شده