اپلیکیشن اندرویدی فلش‌کارت آموزشی کاوش توزیع‌های شرطی با PyMC

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاوش توزیع‌های شرطی با PyMC

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

موضوع میانی: تجسم نتایج PyMC

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی احتمالاتی
• 2. مفاهیم پایه توزیع‌های احتمال
• 3. توزیع‌های گسسته و پیوسته
• 4. توزیع نرمال و کاربردهای آن
• 5. توزیع یکنواخت و توزیع نمایی
• 6. توزیع برنولی و توزیع دوجمله‌ای
• 7. توزیع پواسون و کاربردهای آن
• 8. توزیع گاما و توزیع بتا
• 9. مقدمه‌ای بر آمار بیزی
• 10. قضیه بیز و کاربردهای آن
• 11. توزیع پیشین، تابع درست‌نمایی و توزیع پسین
• 12. مفاهیم پایه زنجیره مارکوف مونت کارلو (MCMC)
• 13. PyMC: معرفی کتابخانه و نصب آن
• 14. ساخت مدل‌های ساده در PyMC
• 15. تعریف متغیرهای تصادفی در PyMC
• 16. مشخص کردن توزیع‌های پیشین در PyMC
• 17. تعریف تابع درست‌نمایی در PyMC
• 18. استنتاج بیزی با استفاده از MCMC در PyMC
• 19. نمونه‌برداری از توزیع پسین
• 20. ارزیابی همگرایی زنجیره‌های MCMC
• 21. تفسیر نتایج MCMC
• 22. مدل‌سازی رگرسیون خطی با PyMC
• 23. مدل‌سازی رگرسیون لجستیک با PyMC
• 24. مدل‌سازی سری‌های زمانی با PyMC
• 25. مدل‌سازی مدل‌های سلسله مراتبی با PyMC
• 26. مدل‌سازی داده‌های گمشده با PyMC
• 27. مدل‌سازی اثرات تصادفی با PyMC
• 28. مقایسه مدل‌ها با استفاده از فاکتور بیز
• 29. اعتبارسنجی مدل در PyMC
• 30. پیش‌بینی با مدل‌های بیزی در PyMC
• 31. کار با داده‌های پیچیده در PyMC
• 32. بهینه‌سازی مدل با PyMC
• 33. استفاده از توزیع‌های غیر استاندارد در PyMC
• 34. مدل‌سازی با متغیرهای طبقه‌ای در PyMC
• 35. تکنیک‌های بهبود عملکرد MCMC
• 36. مقدمه‌ای بر HMC و NUTS
• 37. تشخیص و رفع مشکلات مربوط به همگرایی
• 38. کاربردهای PyMC در علوم پزشکی
• 39. کاربردهای PyMC در علوم اجتماعی
• 40. کاربردهای PyMC در مهندسی
• 41. پیاده‌سازی مدل‌های بیزی در مسائل مالی
• 42. مدل‌سازی ریسک با استفاده از PyMC
• 43. تحلیل حساسیت در مدل‌های بیزی
• 44. مقدمه‌ای بر مدل‌های بیزی غیرپارامتری
• 45. استفاده از PyMC برای تحلیل داده‌های مکانی
• 46. مقدمه‌ای بر مدل‌سازی علّی با PyMC
• 47. کار با مدل‌های پویا در PyMC
• 48. استفاده از PyMC در ترکیب با سایر کتابخانه‌های پایتون
• 49. توسعه مدل‌های سفارشی در PyMC
• 50. بهینه‌سازی مدل‌های پیچیده با PyMC
• 51. مفاهیم پیشرفته MCMC
• 52. بررسی و تحلیل نتایج مدل‌سازی
• 53. نوشتن گزارش و مستندسازی مدل‌ها در PyMC