اپلیکیشن اندرویدی فلشکارت آموزشی انتخاب ابزار MCMC: راهنمای تطبیقی Stan و JAGS
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره انتخاب ابزار MCMC: راهنمای تطبیقی Stan و JAGS
موضوع کلی: روشهای نمونهگیری مونتکارلو مارکوف (MCMC) در آمار بیزی
موضوع میانی: مقایسه با Stan و JAGS
📋 سرفصلهای دوره
- 1. انتخاب روشهای نمونهبرداری مونت کارلو مارکوف زنجیرهای (MCMC)
- 2. مقدمهای بر روشهای MCMC و کاربردهای آن
- 3. مقایسهی Stan و JAGS: یک بررسی اجمالی
- 4. مدلهای آماری بیزی: اصول و مفاهیم
- 5. مقدمهای بر زبان مدلسازی Stan
- 6. نحو و ساختار زبان Stan
- 7. تعریف توابع و متغیرها در Stan
- 8. مدلسازی دادههای پیوسته در Stan
- 9. مدلسازی دادههای گسسته در Stan
- 10. تعریف توزیعهای احتمال در Stan
- 11. استفاده از توزیعهای پیشین در Stan
- 12. روشهای نمونهبرداری در Stan: NUTS و HMC
- 13. تنظیم پارامترهای نمونهبرداری در Stan
- 14. ارزیابی همگرایی زنجیرههای MCMC در Stan
- 15. تشخیص مشکلات همگرایی و راهحلها
- 16. مدلسازی سلسله مراتبی در Stan
- 17. مدلهای خطی تعمیمیافته (GLM) در Stan
- 18. مدلسازی رگرسیون لجستیک در Stan
- 19. مدلسازی رگرسیون پواسون در Stan
- 20. مدلسازی سریهای زمانی در Stan
- 21. مقدمهای بر زبان مدلسازی JAGS
- 22. نحو و ساختار زبان JAGS
- 23. تعریف توزیعهای احتمال در JAGS
- 24. استفاده از توزیعهای پیشین در JAGS
- 25. روشهای نمونهبرداری در JAGS: Gibbs Sampling
- 26. تنظیم پارامترهای نمونهبرداری در JAGS
- 27. ارزیابی همگرایی زنجیرههای MCMC در JAGS
- 28. تشخیص مشکلات همگرایی و راهحلها
- 29. مدلسازی سلسله مراتبی در JAGS
- 30. مدلهای خطی تعمیمیافته (GLM) در JAGS
- 31. مدلسازی رگرسیون لجستیک در JAGS
- 32. مدلسازی رگرسیون پواسون در JAGS
- 33. مقایسهی سرعت و کارایی Stan و JAGS
- 34. مقایسهی قابلیتهای مدلسازی Stan و JAGS
- 35. استفاده از Stan با R
- 36. استفاده از JAGS با R
- 37. استفاده از Stan با Python
- 38. استفاده از JAGS با Python
- 39. نصب و پیکربندی Stan
- 40. نصب و پیکربندی JAGS
- 41. عیبیابی مشکلات رایج در Stan
- 42. عیبیابی مشکلات رایج در JAGS
- 43. بهینهسازی کد Stan برای سرعت
- 44. بهینهسازی کد JAGS برای سرعت
- 45. مدلسازی Bayesian در مسائل بازاریابی
- 46. مدلسازی Bayesian در علوم زیستی
- 47. مدلسازی Bayesian در علوم اجتماعی
- 48. مدلسازی Bayesian در اقتصاد
- 49. استفاده از MCMC برای تخمین پارامترهای مدل
- 50. استفاده از MCMC برای پیشبینی
- 51. اعتبارسنجی مدلهای Bayesian
- 52. انتخاب مدل در چارچوب Bayesian
- 53. مدلسازی دادههای از دست رفته با MCMC
- 54. مدلسازی دادههای سانسور شده با MCMC
- 55. مقدمهای بر روشهای تقریب Bayesian
- 56. روشهای تقریب Monte Carlo متوالی (SMC)
- 57. روشهای تقریب Variational Bayesian
- 58. کاربردهای پیشرفتهی Stan
- 59. کاربردهای پیشرفتهی JAGS
- 60. بررسی موردی: مدلسازی یک مسئلهی واقعی با Stan
- 61. بررسی موردی: مدلسازی یک مسئلهی واقعی با JAGS
- 62. تفسیر نتایج MCMC
- 63. گزارشدهی نتایج MCMC
- 64. آموزش و مستندسازی Stan
- 65. آموزش و مستندسازی JAGS
- 66. منابع و ابزارهای مفید برای MCMC
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.