دوره RoBART: استنتاج نیمهپارامتری مقاوم برای درختهای رگرسیون افزودنی بیزی و تحلیل دادههای گمشده همراه با فلشکارت آموزشی — ارائه روی فلش مموری
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره RoBART: استنتاج نیمهپارامتری مقاوم برای درختهای رگرسیون افزودنی بیزی و تحلیل دادههای گمشده
موضوع کلی: آمار و یادگیری ماشین
موضوع میانی: مدلسازی بیزی و روشهای درخت تصمیم
📋 سرفصلهای دوره
- 1. مقدمهای بر آمار و یادگیری ماشین
- 2. انواع یادگیری در ماشین: نظارتشده، بینظارت، تقویتی
- 3. رگرسیون خطی: مفاهیم پایه و فروض
- 4. مقدمهای بر مدلسازی بیزی
- 5. قضیه بیز و اجزای آن: پیشین، درستنمایی، پسین
- 6. انتخاب توزیعهای پیشین متداول در مدلسازی بیزی
- 7. مقدمهای بر استنتاج بیزی و نمونهبرداری از توزیع پسین
- 8. روشهای مونتکارلو زنجیره مارکوف (MCMC)
- 9. الگوریتمهای متداول MCMC: متروپلیس-هاستینگز
- 10. الگوریتم نمونهبردار گیبس و کاربردهای آن
- 11. بررسی همگرایی زنجیرههای MCMC و معیارهای تشخیص آن
- 12. درختهای تصمیم برای رگرسیون: اصول و ساختار
- 13. الگوریتم CART (Classification and Regression Trees)
- 14. معیارهای تقسیمبندی در گرههای درخت رگرسیون
- 15. هرس درختهای تصمیم برای جلوگیری از بیشبرازش
- 16. محدودیتها و چالشهای درختهای تصمیم منفرد
- 17. مفهوم یادگیری گروهی (Ensemble Learning)
- 18. روش Bagging و ایده پشت آن
- 19. جنگلهای تصادفی (Random Forests): ساختار و عملکرد
- 20. روشهای Boosting: گرادیان بوستینگ
- 21. ترکیب مدلهای پایه ضعیف برای ساخت مدلهای قویتر
- 22. معرفی درختهای رگرسیون افزودنی بیزی (BART)
- 23. BART به عنوان مدل جمع درختان رگرسیون
- 24. معماری مدل BART: مجموع درختان ناپارامتری
- 25. فروض پیشین سلسلهمراتبی بر ساختار درختان در BART
- 26. فروض پیشین بر روی مقادیر برگهای درختان در BART
- 27. فروض پیشین بر واریانس خطا (توزیع نرمال) در BART
- 28. الگوریتم MCMC برای استنتاج پسین در BART
- 29. گامهای نمونهبرداری از ساختار درختان (Tree Proposal)
- 30. نمونهبرداری از مقادیر برگها در هر تکرار MCMC
- 31. نمونهبرداری از واریانس خطا در مدل BART
- 32. پیادهسازی BART در R/Python: پکیج `BART` و `dbarts`
- 33. تفسیر نتایج مدل BART و اهمیت متغیرها
- 34. توابع پاسخ جزئی (Partial Dependence Plots) در BART
- 35. مزایا و قدرت پیشبینی مدل BART
- 36. محدودیتهای BART کلاسیک: فروض توزیعی
- 37. کاربردهای BART در مسائل رگرسیون پیوسته
- 38. BART برای مسائل دستهبندی (Classification BART)
- 39. مدلهای پارامتری در مقابل ناپارامتری: تعاریف و تفاوتها
- 40. مقدمهای بر مدلهای نیمهپارامتری
- 41. مزایای مدلهای نیمهپارامتری در انعطافپذیری و تفسیرپذیری
- 42. اجزای پارامتری: مدلهای خطی و خطی تعمیمیافته
- 43. اجزای ناپارامتری: توابع هموارسازی و درختان
- 44. مثالهایی از مدلهای نیمهپارامتری در عمل
- 45. ترکیب BART با اجزای خطی صریح
- 46. استنتاج در مدلهای نیمهپارامتری بیزی
- 47. اهمیت انتخاب مناسب اجزای پارامتری و ناپارامتری
- 48. مفهوم مقاومت (Robustness) در آمار و یادگیری ماشین
- 49. دادههای پرت (Outliers) و تأثیر آنها بر استنتاج
- 50. انواع دادههای پرت: در متغیر پاسخ و متغیرهای پیشبین
- 51. فروض توزیعی مدل و تأثیر عدم پایبندی به آنها
- 52. تخمینگرهای مقاوم: میانگین بریده، میانه
- 53. توزیعهای خطای مقاوم: توزیع t استیودنت
- 54. نقش پارامتر آزادی (Degrees of Freedom) در توزیع t
- 55. توابع زیان مقاوم (Robust Loss Functions)
- 56. رگرسیون مقاوم: رگرسیون M-استیمیتور
- 57. تشخیص دادههای پرت و نقاط با اهرم بالا (Leverage Points)
- 58. معیارهای تأثیر (Influence Measures) برای شناسایی نقاط مشکلساز
- 59. روشهای مقیاسگذاری مقاوم در آمار
- 60. معرفی RoBART: استنتاج نیمهپارامتری مقاوم برای BART
- 61. انگیزه توسعه RoBART: غلبه بر حساسیت BART به دادههای پرت
- 62. مدل خطای مقاوم در RoBART: جایگزینی نرمال با توزیع t استیودنت
- 63. استنتاج بیزی برای پارامتر آزادی توزیع t در RoBART
- 64. ترکیب جزء پارامتری (اثرات خطی) با مدل BART در RoBART
- 65. تعریف و فرمولبندی مدل نیمهپارامتری RoBART
- 66. الگوریتم MCMC توسعهیافته برای استنتاج RoBART
- 67. گامهای نمونهبرداری مختص به پارامتر آزادی در MCMC
- 68. گامهای نمونهبرداری مختص به ضرایب جزء پارامتری
- 69. پیادهسازی RoBART: جزئیات فنی و ملاحظات محاسباتی
- 70. مقایسه عملکرد RoBART با BART استاندارد در حضور دادههای پرت
- 71. مطالعه موارد کاربردی برای نشان دادن مقاومت RoBART
- 72. مزایای RoBART در تحلیل دادههای پیچیده و نویزی
- 73. تحلیل حساسیت به فروض پیشین در مدل RoBART
- 74. مقدمهای بر دادههای گمشده و اهمیت تحلیل آنها
- 75. مکانیزمهای دادههای گمشده: MCAR, MAR, MNAR
- 76. تأثیر دادههای گمشده بر سوگیری و کارایی تخمینها
- 77. روشهای حذف (Deletion Methods): حذف فهرست و حذف جفتی
- 78. روشهای ساده جایگزینی (Imputation): میانگین، میانه، مُد
- 79. جایگزینی چندگانه (Multiple Imputation) و ایده مرکزی آن
- 80. زنجیرههای مارکوف مونتکارلو برای جایگزینی چندگانه
- 81. مدلهای جایگزینی برای دادههای پیوسته و گسسته
- 82. استفاده از مدلهای رگرسیونی برای جایگزینی دادهها
- 83. ارزیابی کیفیت جایگزینی و تشخیص سوگیری
- 84. ادغام RoBART با چارچوب جایگزینی چندگانه
- 85. RoBART به عنوان مدل جایگزینکننده (Imputer) قدرتمند
- 86. استنتاج توزیع پسین برای دادههای گمشده با استفاده از RoBART
- 87. الگوریتم MCMC برای جایگزینی دادههای گمشده با RoBART
- 88. ملاحظات محاسباتی در جایگزینی دادههای گمشده با RoBART
- 89. مزایای رویکرد RoBART برای تحلیل دادههای گمشده (Robust Imputation)
- 90. مقایسه RoBART به عنوان جایگزینکننده با سایر روشهای پیشرفته
- 91. سناریوهای عملی استفاده از RoBART در دادههای گمشده
- 92. ارزیابی مدلهای رگرسیون: R-squared, MAE, RMSE
- 93. اعتبارسنجی متقابل (Cross-validation) و بوتاسترپ در ارزیابی مدل
- 94. معیارهای ارزیابی مدلهای بیزی: DIC, WAIC, LOO-CV
- 95. مصورسازی نتایج و پارامترهای مدل RoBART
- 96. مقایسه RoBART با سایر مدلهای مقاوم و نیمهپارامتری پیشرفته
- 97. چالشها و محدودیتهای کنونی RoBART و زمینههای بهبود
- 98. RoBART برای دادههای طولی و پانل: توسعه و کاربرد
- 99. مروری بر نرمافزارهای تخصصی و ابزارهای مرتبط با RoBART
- 100. جهتگیریهای آینده در توسعه RoBART و مدلهای مشابه
محتویات بسته آموزشی
🌐 سامانه آنلاین فلشکارت؛ مرور هدفمند و هوشمند
اکانت ارائهشده، دسترسی به نسخه تحت وب سامانه فلشکارت ویژه این دوره را فراهم میکند. این سامانه از الگوریتم زمانبندی مرور SM-2 استفاده میکند و بر اساس ارزیابی شما از میزان یادآوری هر کارت، زمان مرورهای بعدی را تنظیم میکند.
به این ترتیب، کارتهای دشوارتر میتوانند زودتر مرور شوند و برای تثبیت مطالب در حافظه، برنامه مرور متناسبتری داشته باشید.
مدتزمان معادل آموزشی بر اساس برآورد این دوره در گواهی درج میشود.
گواهی دوزبانه با استعلام آنلاین
پس از تکمیل فعالیتهای لازم و تأیید درخواست، گواهی پایان دوره به زبان فارسی و انگلیسی صادر میشود. گواهی دارای لینک اختصاصی و QR Code برای بررسی و استعلام آنلاین است.
این گواهی صرفاً بهعنوان گواهی اتمام دوره آموزشی صادر میشود و معادل مدرک دانشگاهی، آکادمیک یا مدرک رسمی مورد تأیید نهادهای دولتی نیست. صدور آن منوط به تکمیل شرایط دوره و تأیید نهایی درخواست است.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.