دوره مقدمه‌ای بر محاسبات در مدل‌سازی آماری پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در مدل‌سازی آماری پیشرفته

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر محاسبات سطح بالا در مدل سازی آماری پیشرفته
• 2. مبانی برنامه نویسی: متغیرها، انواع داده و عملگرها
• 3. مقدمه ای بر زبان های برنامه نویسی مورد استفاده در محاسبات آماری (R, Python)
• 4. نصب و راه اندازی محیط توسعه و بسته های مورد نیاز
• 5. آشنایی با ساختارهای داده پایه (آرایه ها، لیست ها، دیکشنری ها)
• 6. کنترل جریان برنامه: دستورات شرطی و حلقه ها
• 7. توابع: تعریف، فراخوانی و بازگشت مقادیر
• 8. مبانی برنامه نویسی شی گرا (Object-Oriented Programming)
• 9. کلاس ها و اشیاء در زبان برنامه نویسی منتخب
• 10. وراثت، چندریختی و کپسوله سازی
• 11. مدیریت خطا و استثناها
• 12. مقدمه ای بر الگوریتم ها و پیچیدگی زمانی
• 13. الگوریتم های مرتب سازی و جستجو
• 14. ساختارهای داده پیشرفته (درخت ها، گراف ها)
• 15. مبانی محاسبات عددی: اعداد ممیز شناور و دقت محاسباتی
• 16. خطاهای محاسباتی و روش های کاهش آنها
• 17. مقدمه ای بر جبر خطی و ماتریس ها
• 18. عملیات ماتریسی: ضرب، معکوس، دترمینان
• 19. حل دستگاه های معادلات خطی
• 20. روش های عددی برای حل معادلات غیرخطی
• 21. بهینه سازی: گرادیان کاهشی و روش های مشابه
• 22. مقدمه ای بر احتمالات و آمار
• 23. توزیع های احتمالاتی مهم (نرمال، نمایی، پواسون)
• 24. تخمین پارامتر و فاصله اطمینان
• 25. آزمون فرضیه
• 26. مدل سازی رگرسیونی: خطی، چندگانه، لجستیک
• 27. ارزیابی عملکرد مدل
• 28. مقدمه ای بر یادگیری ماشین (Machine Learning)
• 29. یادگیری نظارت شده و غیرنظارت شده
• 30. روش های طبقه بندی و خوشه بندی
• 31. ارزیابی عملکرد مدل های یادگیری ماشین
• 32. مبانی محاسبات موازی (Parallel Computing)
• 33. معماری های موازی: SIMD, MIMD
• 34. مدل های برنامه نویسی موازی: اشتراک حافظه، توزیع حافظه
• 35. OpenMP: برنامه نویسی موازی با اشتراک حافظه
• 36. MPI: برنامه نویسی موازی با توزیع حافظه
• 37. CUDA: برنامه نویسی موازی برای GPU
• 38. آشنایی با کتابخانه های محاسباتی سطح بالا (BLAS, LAPACK)
• 39. بهینه سازی کد برای CPU و GPU
• 40. Profiling و Benchmarking کد
• 41. مقدمه ای بر Big Data و Hadoop
• 42. MapReduce: چارچوب برنامه نویسی برای پردازش داده های بزرگ
• 43. Spark: موتور پردازش داده های بزرگ در حافظه
• 44. استفاده از Spark برای مدل سازی آماری
• 45. مقدمه ای بر محاسبات ابری (Cloud Computing)
• 46. سرویس های ابری برای محاسبات آماری
• 47. Amazon AWS, Google Cloud Platform, Microsoft Azure
• 48. پیاده سازی مدل های آماری در ابر
• 49. مقدمه ای بر شبیه سازی مونت کارلو (Monte Carlo Simulation)
• 50. تولید اعداد تصادفی و توزیع های آماری
• 51. روش های کاهش واریانس
• 52. کاربرد شبیه سازی مونت کارلو در مدل سازی آماری
• 53. مقدمه ای بر روش های زنجیره مارکوف مونت کارلو (MCMC)
• 54. الگوریتم Metropolis-Hastings
• 55. Gibbs Sampling
• 56. ارزیابی همگرایی زنجیره مارکوف
• 57. کاربرد MCMC در مدل سازی بیزی (Bayesian)
• 58. مقدمه ای بر مدل های بیزی
• 59. توزیع های پیشین و پسین
• 60. استنتاج بیزی
• 61. کاربرد مدل های بیزی در مسائل مختلف
• 62. مدل های خطی سلسله مراتبی (Hierarchical Linear Models)
• 63. مدل های فضایی-زمانی (Spatial-Temporal Models)
• 64. مدل های بقا (Survival Models)
• 65. مدل های مختلط (Mixed Models)
• 66. کاربرد مدل های پیشرفته در مسائل واقعی
• 67. مقدمه ای بر یادگیری عمیق (Deep Learning)
• 68. شبکه های عصبی مصنوعی (Artificial Neural Networks)
• 69. شبکه های کانولوشنال (Convolutional Neural Networks)
• 70. شبکه های بازگشتی (Recurrent Neural Networks)
• 71. TensorFlow و PyTorch: کتابخانه های یادگیری عمیق
• 72. کاربرد یادگیری عمیق در مدل سازی آماری
• 73. مدل سازی داده های متنی (Text Data)
• 74. پردازش زبان طبیعی (Natural Language Processing)
• 75. روش های استخراج ویژگی از متن
• 76. مدل سازی داده های تصویری (Image Data)
• 77. تشخیص اشیاء (Object Detection)
• 78. Segmentation تصویر
• 79. مدل سازی داده های سری زمانی (Time Series Data)
• 80. مدل های ARIMA
• 81. مدل های فضای حالت (State-Space Models)
• 82. روش های پیش بینی
• 83. کاربرد مدل سازی آماری در علوم مختلف
• 84. مدل سازی در زیست شناسی
• 85. مدل سازی در اقتصاد
• 86. مدل سازی در علوم اجتماعی
• 87. اخلاق در محاسبات سطح بالا و مدل سازی آماری
• 88. حریم خصوصی داده ها و امنیت
• 89. تفسیرپذیری مدل ها و مسئولیت پذیری
• 90. آشنایی با منابع آنلاین و انجمن های تخصصی
• 91. مستندسازی و به اشتراک گذاری کد
• 92. روش های همکاری در پروژه های بزرگ
• 93. بهینه سازی گردش کار مدل سازی آماری
• 94. استفاده از ابزارهای مدیریت پروژه
• 95. استفاده از سیستم های کنترل نسخه (Git)
• 96. روش های ارائه نتایج مدل سازی آماری
• 97. تولید گزارش های تعاملی
• 98. ایجاد داشبوردهای بصری
• 99. مثال های عملی از پروژه های مدل سازی آماری پیشرفته (بخش 1)
• 100. مثال های عملی از پروژه های مدل سازی آماری پیشرفته (بخش 2)