دوره مدل‌های اثرات مختلط و افزونه‌های کاربردی در اکولوژی با R: از تئوری تا پیاده‌سازی عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های اثرات مختلط و افزونه‌های کاربردی در اکولوژی با R: از تئوری تا پیاده‌سازی عملی

موضوع کلی: مدل‌سازی آماری پیشرفته

موضوع میانی: مدل‌های اثرات مختلط در علوم زیستی

📋 سرفصل‌های دوره

• 1. مبانی آماری و مقدمه‌ای بر مدل‌سازی
• 2. مفاهیم متغیرهای تصادفی و توزیع‌ها
• 3. مقدمه‌ای بر زبان برنامه‌نویسی R
• 4. نصب و راه‌اندازی R و RStudio
• 5. مروری بر داده‌کاوی و وارد کردن داده‌ها در R
• 6. آشنایی با بسته‌های R برای مدل‌های اثرات مختلط
• 7. آمار توصیفی و تجسم داده‌ها در علوم زیستی
• 8. مفاهیم اساسی استنباط آماری
• 9. آزمون‌های t و ANOVA: مروری بر روش‌های سنتی
• 10. معرفی مدل‌های خطی: مرور و پیش‌نیاز
• 11. مدل خطی عمومی (GLM): مفاهیم و کاربردها
• 12. معرفی مدل‌های اثرات مختلط (Mixed Effects Models)
• 13. اهمیت و کاربردهای مدل‌های اثرات مختلط در علوم زیستی
• 14. تفاوت بین اثرات ثابت و اثرات تصادفی
• 15. ساختار داده‌های لانه‌بندی شده و تکراری (nested & repeated measures)
• 16. ساختارهای کوواریانس در مدل‌های اثرات مختلط
• 17. نحوه نوشتن فرمول‌های مدل اثرات مختلط در R
• 18. پیاده‌سازی مدل‌های اثرات مختلط با استفاده از بسته lme4
• 19. ارزیابی و تفسیر خروجی‌های مدل اثرات مختلط
• 20. بررسی فرض‌های مدل‌های اثرات مختلط
• 21. تشخیص و رفع مشکلات مدل: همخطی و دورافتادگی
• 22. اعتبارسنجی مدل و ارزیابی برازش (Goodness of fit)
• 23. مدل‌سازی اثرات متقابل (Interaction effects)
• 24. مقایسه‌های چندگانه (Multiple comparisons) در مدل‌های اثرات مختلط
• 25. مدل‌سازی داده‌های غیرنرمال: معرفی GLMM
• 26. مدل خطی تعمیم‌یافته با اثرات مختلط (GLMM)
• 27. مدل‌سازی داده‌های شمارشی (count data)
• 28. مدل‌های پواسون و رگرسیون پواسون با اثرات مختلط
• 29. مدل‌سازی داده‌های باینری (binary data)
• 30. رگرسیون لوجستیک و GLMM با پاسخ‌های باینری
• 31. مدل‌سازی داده‌های زمانی (temporal data)
• 32. مدل‌سازی داده‌های دنباله‌ای (time series)
• 33. مدل‌سازی اثرات مکانی (spatial effects)
• 34. مدل‌سازی اثرات فضایی با استفاده از مدل‌های اثرات مختلط
• 35. معرفی مدل‌های پیشرفته: مدل‌های سلسه‌مراتبی (Hierarchical Models)
• 36. مدل‌سازی چند سطحی (Multilevel modeling)
• 37. بهینه‌سازی مدل و انتخاب بهترین مدل (Model selection)
• 38. مقایسه مدل‌ها با استفاده از AIC و BIC
• 39. مدل‌های اثرات مختلط با داده‌های گمشده (missing data)
• 40. تکنیک‌های مقابله با داده‌های گمشده
• 41. معرفی روش‌های بوت‌استرپ (Bootstrap)
• 42. استفاده از بوت‌استرپ برای تخمین عدم قطعیت
• 43. آنالیز قدرت آماری (Power analysis)
• 44. طراحی آزمایش‌های مناسب برای مدل‌های اثرات مختلط
• 45. مدل‌سازی رشد (Growth modeling)
• 46. مدل‌های منحنی رشد با استفاده از اثرات مختلط
• 47. مدل‌سازی بقا (Survival analysis)
• 48. مدل‌های کاپلان-مایر و مدل‌های بقا با اثرات مختلط
• 49. مدل‌های رگرسیون تصادفی (Random regression models)
• 50. کاربرد مدل‌های رگرسیون تصادفی در علوم زیستی
• 51. مدل‌سازی با داده‌های پیچیده: داده‌های ژنومی و ردیابی
• 52. مدل‌های اثرات مختلط در ژنتیک و اکولوژی رفتاری
• 53. مدل‌های اثرات مختلط برای داده‌های اکولوژیکی
• 54. کاربرد مدل‌های اثرات مختلط در سنجش از دور (Remote sensing)
• 55. تجزیه و تحلیل داده‌های حاصل از سنجش از دور با استفاده از اثرات مختلط
• 56. مدل‌های اثرات مختلط در مدیریت منابع طبیعی
• 57. مدل‌سازی جوامع (Community modeling)
• 58. مدل‌های اثرات مختلط در دینامیک جمعیت
• 59. ارزیابی ریسک و مدل‌سازی مخاطرات (Risk assessment)
• 60. مدل‌های اثرات مختلط در مطالعات حیات وحش
• 61. مدل‌های اثرات مختلط در مطالعات تغییرات اقلیمی
• 62. اثرات زیست‌محیطی و اثرات متقابل انسان و محیط‌زیست
• 63. مدل‌سازی بیماری‌ها و همه‌گیری‌ها (Epidemiology)
• 64. کاربرد مدل‌های اثرات مختلط در بهداشت عمومی
• 65. مدل‌سازی در بافت‌های جغرافیایی مختلف
• 66. کاربرد مدل‌های اثرات مختلط در کشاورزی
• 67. تحلیل داده‌های چند متغیره (Multivariate analysis)
• 68. مدل‌سازی پاسخ‌های چندگانه (Multivariate responses)
• 69. استفاده از بسته‌های دیگر R برای مدل‌سازی پیشرفته
• 70. آشنایی با بسته nlme
• 71. آشنایی با بسته glmmTMB
• 72. ادغام مدل‌های اثرات مختلط با داده‌های بزرگ (Big data)
• 73. مدیریت و پردازش داده‌های بزرگ
• 74. تجسم پیشرفته داده‌ها در مدل‌سازی
• 75. نوشتن گزارش‌های علمی و ارائه نتایج
• 76. ارتباطات مؤثر نتایج مدل‌سازی
• 77. مدل‌سازی با داده‌های نامتعادل (Unbalanced data)
• 78. مدل‌سازی با ساختارهای پیچیده داده
• 79. ترکیب مدل‌های اثرات مختلط با شبکه‌های عصبی
• 80. یادگیری ماشینی و مدل‌های اثرات مختلط
• 81. پیاده‌سازی مدل‌ها در نرم‌افزارهای دیگر
• 82. انتقال مدل‌ها به نرم‌افزارهای آماری دیگر
• 83. عیب‌یابی و حل مشکلات رایج در مدل‌سازی
• 84. مروری بر منابع و مقالات مرتبط با مدل‌های اثرات مختلط
• 85. مروری بر کدهای R کاربردی در اکولوژی
• 86. آشنایی با مفاهیم بیزی و مدل‌سازی بیزی
• 87. مدل‌سازی بیزی با اثرات مختلط
• 88. آموزش عملی: تمرین با مجموعه‌داده‌های واقعی
• 89. تحلیل داده‌های اکولوژیکی با استفاده از R و اثرات مختلط
• 90. پروژه نهایی: پیاده‌سازی یک مدل اثرات مختلط کامل
• 91. ارائه نتایج پروژه و بحث و تبادل نظر
• 92. آینده مدل‌سازی آماری در علوم زیستی
• 93. اخلاق در مدل‌سازی و انتشار نتایج
• 94. آشنایی با ابزارهای همکاری و اشتراک‌گذاری کد
• 95. مروری بر مباحث کلیدی و جمع‌بندی دوره
• 96. ارائه گواهینامه و اتمام دوره
• 97. منابع و مراجع تکمیلی
• 98. ارائه بازخورد و ارزیابی دوره
• 99. پشتیبانی و ارتباط با مدرس
• 100. نقشه‌راه برای یادگیری بیشتر