دوره تسلط بر JAGS برای پیاده‌سازی یکپارچه و موثر Gibbs Sampling همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر JAGS برای پیاده‌سازی یکپارچه و موثر Gibbs Sampling

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

موضوع میانی: نمونه‌گیری Gibbs در JAGS

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر آمار بیزی و MCMC
• 2. بررسی اجمالی روش نمونه‌گیری Gibbs
• 3. JAGS چیست و چرا برای Gibbs Sampling؟
• 4. نصب و راه‌اندازی JAGS و R (یا پایتون)
• 5. ساختار یک مدل JAGS: مدل، داده‌ها و پارامترها
• 6. تعریف مدل‌های آماری ساده در JAGS
• 7. توزیع‌های احتمالی رایج در JAGS
• 8. نحوه تعریف توزیع‌های شرطی در Gibbs Sampling
• 9. اجرای Gibbs Sampling با استفاده از JAGS
• 10. نظارت بر همگرایی زنجیره مارکوف
• 11. تشخیص مشکلات همگرایی در JAGS
• 12. روش‌های بهبود همگرایی: تنظیم پارامترها و مدل‌سازی مجدد
• 13. مدل‌سازی رگرسیون خطی در JAGS با Gibbs Sampling
• 14. مدل‌سازی رگرسیون لجستیک در JAGS با Gibbs Sampling
• 15. مدل‌سازی ANOVA یک‌طرفه در JAGS با Gibbs Sampling
• 16. مدل‌سازی مدل‌های سلسله‌مراتبی (Hierarchical Models) در JAGS
• 17. مدل‌سازی مدل‌های مخلوط (Mixture Models) در JAGS با Gibbs Sampling
• 18. استفاده از priorهای مختلف در JAGS
• 19. انتخاب prior مناسب برای پارامترها
• 20. مدل‌سازی داده‌های گمشده (Missing Data) در JAGS
• 21. مدل‌سازی داده‌های سانسور شده (Censored Data) در JAGS
• 22. پیاده‌سازی Gibbs Sampling برای مدل‌های پیچیده‌تر
• 23. بهینه‌سازی کد JAGS برای سرعت و کارایی
• 24. استفاده از توابع تعریف‌شده توسط کاربر (User-Defined Functions) در JAGS
• 25. نحوه دیباگ کردن مدل‌های JAGS
• 26. مقایسه Gibbs Sampling با سایر الگوریتم‌های MCMC
• 27. تفسیر نتایج Gibbs Sampling و ارائه گزارش
• 28. کار با داده‌های بزرگ در JAGS
• 29. ادغام JAGS با R و پایتون برای تجزیه و تحلیل پیشرفته
• 30. مثال‌های کاربردی Gibbs Sampling در حوزه‌های مختلف