کتاب کشف عوامل پنهان و پیشبینی با مدل دینامیک عاملی فرایند گاوسی بیزی (GP-DFM) با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB
کشف عوامل پنهان و پیشبینی آینده با مدل دینامیک عاملی فرایند گاوسی بیزی (GP-DFM) کشف عوامل پنهان و پیشبینی آینده با مدل دینامیک عاملی فرایند گاوسی بیزی (GP-DFM) آیا به دنبال درک عمیقتر از سریهای زم...
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره کشف عوامل پنهان و پیشبینی با مدل دینامیک عاملی فرایند گاوسی بیزی (GP-DFM)
موضوع کلی: مدلسازی سریهای زمانی و پیشبینی
موضوع میانی: مدلهای فضای حالت و فرایند گاوسی
📋 سرفصلهای دوره
- 1. مقدمهای بر سریهای زمانی و اهمیت پیشبینی
- 2. چالشهای مدلسازی دادههای سری زمانی با ابعاد بالا
- 3. نیاز به مدلهای عاملی برای کشف ساختار پنهان
- 4. مروری بر مدلهای فضای حالت و کاربردهای آنها
- 5. فرایندهای گاوسی: مقدمهای بر مدلسازی ناپارامتری
- 6. مروری بر جبر خطی: ماتریسها و عملگرها
- 7. مفاهیم اساسی احتمال و آمار بیزی
- 8. توزیع نرمال چندمتغیره و ویژگیهای آن
- 9. قضیه بیز و استنباط بیزی
- 10. آشنایی با زنجیره مارکوف و نمونهگیری مونت کارلو (MCMC)
- 11. مفاهیم فرآیندهای تصادفی
- 12. همبستگی، خودهمبستگی و همبستگی جزئی
- 13. بردارها، فضاهای برداری و تبدیلات خطی
- 14. تابع چگالی احتمال و تابع توزیع تجمعی
- 15. نظریه و عملگرهای امید ریاضی و واریانس
- 16. معرفی سریهای زمانی: تعاریف و اجزا
- 17. تحلیل روند و فصلیت در سریهای زمانی
- 18. مفهوم مانایی (Stationarity) و آزمونهای آن
- 19. مدلهای خودرگرسیو (AR) و میانگین متحرک (MA)
- 20. مدلهای ARMA و ARIMA برای سریهای زمانی تکمتغیره
- 21. مدلهای ناهمگن خودرگرسیو یکپارچه میانگین متحرک (ARFIMA)
- 22. معرفی سریهای زمانی چندمتغیره
- 23. مدلهای بردار خودرگرسیو (VAR)
- 24. انتخاب مرتبه مدلهای ARMA/ARIMA/VAR
- 25. پیشبینی با مدلهای کلاسیک سری زمانی
- 26. مدلهای فضای حالت: چارچوب کلی
- 27. مؤلفههای مدل فضای حالت: معادله مشاهدات و معادله حالت
- 28. نمایش مدلهای ARMA در فضای حالت
- 29. فیلتر کالمن: برآورد حالتهای پنهان
- 30. هموارساز کالمن: برآورد بهتر حالتهای پنهان
- 31. الگوریتم EM برای تخمین پارامترهای مدل فضای حالت
- 32. پیشبینی با مدلهای فضای حالت
- 33. مدلسازی روند و فصلیت با فضای حالت
- 34. مدلهای فضای حالت خطی-گاوسی
- 35. تعمیمهای فیلتر کالمن: فیلتر کالمن توسعهیافته و بدون بو
- 36. نیاز به کاهش ابعاد در دادههای بزرگ
- 37. تحلیل مؤلفههای اصلی (PCA): مبانی و کاربردها
- 38. تحلیل عاملی اکتشافی (EFA) در مقایسه با PCA
- 39. مدلهای عاملی ایستا (Static Factor Models)
- 40. برآورد عوامل و بارهای عاملی در مدلهای ایستا
- 41. مدلهای عاملی پویا (Dynamic Factor Models - DFM): معرفی
- 42. ساختار و مؤلفههای DFM: عوامل پویا و بارهای عاملی
- 43. نمایش DFM در چارچوب فضای حالت
- 44. شناسایی و تخمین پارامترهای DFM
- 45. پیشبینی با مدلهای عاملی پویا
- 46. معرفی فرایندهای گاوسی: توزیع روی توابع
- 47. تابع کوواریانس (هسته) به عنوان قلب فرایند گاوسی
- 48. انواع توابع کوواریانس: RBF، ماتِرن، دورهای
- 49. انتخاب و ترکیب توابع کوواریانس
- 50. استنباط در رگرسیون فرایند گاوسی
- 51. پیشبینی با رگرسیون فرایند گاوسی
- 52. ابرپارامترهای فرایند گاوسی و تخمین آنها
- 53. بهینهسازی حاشیه لگاریتمی (Log Marginal Likelihood)
- 54. چالشهای محاسباتی در فرایندهای گاوسی با دادههای بزرگ
- 55. رویکردهای پراکنده برای فرایندهای گاوسی (Sparse GPs)
- 56. فرایندهای گاوسی چندمتغیره
- 57. فرایندهای گاوسی برای توابع نهفته
- 58. ارتباط بین فرایندهای گاوسی و شبکه عصبی
- 59. فرایندهای گاوسی در فضای حالت
- 60. پیادهسازی فرایندهای گاوسی با کتابخانههای پایتون/R
- 61. رویکرد بیزی به مدلهای عاملی پویا
- 62. مشخص کردن توزیعهای پیشین برای پارامترهای DFM
- 63. استنباط بیزی برای DFM با استفاده از MCMC
- 64. نمونهبرداری گیبز برای بارهای عاملی و واریانسها
- 65. نمونهبرداری از عوامل پنهان در DFM بیزی
- 66. مدلسازی نویز با توزیعهای پیشین مناسب
- 67. مقایسه DFM بیزی با DFM کلاسیک
- 68. مزایای رویکرد بیزی در DFM: عدم قطعیت و تنظیمگری
- 69. انتخاب مدل و معیارهای اطلاعاتی بیزی (BIC, DIC)
- 70. مشکلات شناسایی (Identifiability) در DFM بیزی
- 71. ادغام فرایند گاوسی و مدلهای عاملی پویا: ایده اصلی GP-DFM
- 72. معرفی مدل دینامیک عاملی فرایند گاوسی بیزی (GP-DFM)
- 73. ساختار کلی GP-DFM و مؤلفههای آن
- 74. فرایندهای گاوسی به عنوان مدل دینامیک برای عوامل پنهان
- 75. مزایای GP-DFM: انعطافپذیری و عدم خطیبودن دینامیک عوامل
- 76. تعریف تابع چگالی احتمال مشترک (Joint Likelihood) در GP-DFM
- 77. مشخص کردن توزیعهای پیشین برای تمام پارامترهای GP-DFM
- 78. نمایش GP-DFM در قالب فضای حالت بیزی
- 79. نقش ابرپارامترهای فرایند گاوسی در GP-DFM
- 80. انتخاب تعداد عوامل در GP-DFM
- 81. الگوریتم استنباط MCMC برای GP-DFM
- 82. نمونهبرداری گیبز برای بارهای عاملی و واریانسهای خطا
- 83. نمونهبرداری از حالتهای پنهان (عوامل دینامیک) با الگوریتم نمونهبردار گیبز
- 84. نمونهبرداری از ابرپارامترهای فرایند گاوسی (طول مقیاس، واریانس)
- 85. الگوریتم فیلتر/هموارساز کالمن برای DFM با دینامیک GP
- 86. استراتژیهای نمونهبرداری بلوکی برای بهبود کارایی MCMC
- 87. ارزیابی همگرایی زنجیرههای مارکوف
- 88. تحلیل حساسیت نسبت به توزیعهای پیشین
- 89. ملاحظات محاسباتی برای دادههای بزرگ در GP-DFM
- 90. تشخیص تغییرات ساختاری با GP-DFM
- 91. پیشبینی دروننمونهای و بروننمونهای با GP-DFM
- 92. پیشبینی سریهای زمانی با استفاده از عوامل پنهان
- 93. تخمین عدم قطعیت پیشبینی با GP-DFM
- 94. تفسیر عوامل پنهان و بارهای عاملی از GP-DFM
- 95. کاربرد GP-DFM در اقتصادسنجی کلان و پیشبینی اقتصادی
- 96. کاربرد GP-DFM در علوم اعصاب و دادههای زیستی
- 97. مقایسه GP-DFM با سایر مدلهای DFM و سریهای زمانی غیرخطی
- 98. محدودیتها و چالشهای GP-DFM
- 99. تعمیمهای GP-DFM: مدلسازی ناهمسانگردی یا ناهمگونی
- 100. آینده پژوهش و جهتگیریهای نوین در GP-DFM و مدلهای عاملی بیزی
تگها:
Dynamic Factor Model
Gaussian Process
Machine Learning
State Space Models
Time Series Forecasting
Time Series Modeling
بیزی، فرایند گاوسی، مدل دینامیک عاملی، GP-DFM، مدل فضای حالت، مدلسازی سری زمانی، پیشبینی سری زمانی، Bayesian
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.