دوره تکنیک‌های عیب‌یابی پیشرفته برای Gibbs Sampling در JAGS همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های عیب‌یابی پیشرفته برای Gibbs Sampling در JAGS

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

موضوع میانی: نمونه‌گیری Gibbs در JAGS

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های نمونه‌گیری مارکوف زنجیره‌ای مونت‌کارلو (MCMC)
• 2. مبانی نظری الگوریتم Gibbs Sampling
• 3. نرم‌افزار JAGS: نصب، راه‌اندازی و محیط کار
• 4. ساختار مدل‌های احتمالاتی در JAGS
• 5. ورودی و خروجی داده‌ها در JAGS
• 6. تعریف توزیع‌های احتمالاتی در JAGS
• 7. توزیع‌های پیشین (Prior Distributions) و انتخاب آن‌ها
• 8. توزیع‌های پسین (Posterior Distributions) و تفسیر
• 9. ارزیابی همگرایی زنجیره‌های MCMC
• 10. آزمون‌های تشخیصی همگرایی: R-hat, Geweke, Heidelberger-Welch
• 11. شناسایی و رفع مشکلات همگرایی
• 12. مدل‌سازی داده‌های پیوسته در JAGS
• 13. مدل‌سازی داده‌های گسسته در JAGS
• 14. مدل‌سازی داده‌های ترکیبی در JAGS
• 15. استفاده از توابع شرطی در مدل‌های JAGS
• 16. پیاده‌سازی مدل‌های سلسله مراتبی (Hierarchical Models)
• 17. مدل‌های اثرات تصادفی در JAGS
• 18. مدل‌سازی داده‌های از دست رفته (Missing Data)
• 19. تکنیک‌های جایگزینی داده‌های از دست رفته
• 20. بررسی حساسیت مدل به انتخاب توزیع‌های پیشین
• 21. تحلیل حساسیت پارامترها
• 22. مقایسه مدل‌ها با استفاده از شاخص‌های اطلاعاتی (DIC, WAIC, LOO)
• 23. اعتبارسنجی مدل: بررسی برازش (Model Checking)
• 24. پیش‌بینی و بازسازی بازه اطمینان
• 25. استفاده از JAGS برای مدل‌سازی سری‌های زمانی
• 26. مدل‌های خودرگرسیونی (AR) در JAGS
• 27. مدل‌های میانگین متحرک (MA) در JAGS
• 28. مدل‌های ARIMA در JAGS
• 29. مدل‌سازی داده‌های فضایی با JAGS
• 30. مدل‌های Kriging در JAGS
• 31. مدل‌های CAR در JAGS
• 32. بهینه‌سازی کد JAGS برای افزایش سرعت اجرا
• 33. استفاده از توابع داخلی JAGS
• 34. تکنیک‌های موازی‌سازی محاسبات در JAGS
• 35. عیب‌یابی خطاهای رایج در JAGS
• 36. بررسی و رفع خطاهای مربوط به تعریف مدل
• 37. بررسی و رفع خطاهای مربوط به داده‌ها
• 38. بررسی و رفع خطاهای مربوط به همگرایی
• 39. استفاده از JAGS در ترکیب با زبان R
• 40. استفاده از JAGS در ترکیب با زبان Python
• 41. مدل‌سازی بیزی در مسائل رگرسیون
• 42. مدل‌سازی بیزی در مسائل طبقه‌بندی
• 43. مدل‌سازی بیزی در مسائل خوشه‌بندی
• 44. تطبیق مدل با داده‌های بزرگ (Big Data)
• 45. استفاده از روش‌های تقریب برای داده‌های بزرگ
• 46. روش‌های کاهش ابعاد داده‌ها
• 47. مدل‌سازی بیزی غیرپارامتری
• 48. آشنایی با توابع Kernel در JAGS
• 49. استفاده از فرآیندهای گوسی برای مدل‌سازی
• 50. تفسیر نتایج مدل در JAGS
• 51. ارائه نتایج به صورت گرافیکی و جدولی
• 52. نوشتن گزارش‌های فنی با استفاده از JAGS
• 53. بررسی موردی: مدل‌سازی با استفاده از JAGS در علوم پزشکی
• 54. بررسی موردی: مدل‌سازی با استفاده از JAGS در علوم اجتماعی
• 55. بررسی موردی: مدل‌سازی با استفاده از JAGS در مهندسی
• 56. تکنیک‌های پیشرفته برای سرعت بخشیدن به فرآیند نمونه‌گیری
• 57. استفاده از الگوریتم‌های Adaptive MCMC
• 58. تکنیک‌های Thinning و Burn-in
• 59. مدل‌سازی چندمتغیره با استفاده از JAGS
• 60. استفاده از توابع شرطی پیچیده
• 61. تکنیک‌های ارزیابی مدل‌های پیچیده
• 62. عیب‌یابی مدل‌های پیچیده در JAGS
• 63. توسعه مدل‌های سفارشی در JAGS
• 64. آشنایی با زبان مدل‌سازی JAGS
• 65. برنامه‌نویسی توابع سفارشی در JAGS
• 66. ادغام JAGS با سایر نرم‌افزارهای آماری
• 67. استفاده از JAGS در محیط‌های محاسباتی ابری
• 68. آینده مدل‌سازی بیزی و JAGS