کتاب مقایسه مدل‌های بیزی با استفاده از خروجی‌های MCMC و `coda` با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقایسه مدل‌های بیزی با استفاده از خروجی‌های MCMC و `coda`

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

موضوع میانی: coda package

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی
  • 2. الگوریتم‌های پایه MCMC: Metropolis-Hastings و Gibbs Sampling
  • 3. بررسی کنوانسیون‌های خروجی شبکه‌های مارکوف
  • 4. معرفی پکیج coda در محیط R برای تحلیل مکانیزه
  • 5. خواندن و فرمت‌دهی خروجی‌های MCMC برای تحلیل با coda
  • 6. تبدیل اشیاء MCMC به فرمت mcmc در پکیج coda
  • 7. تشخیص و رفع مشکل ابتدایی (Burn-in) در زنجیره‌های MCMC
  • 8. محاسبه و تفسیر میانگین زنجیره‌های مارکوف با coda
  • 9. تخمین واریانس و نوسان زنجیره‌های مارکوف
  • 10. تشخیص وابستگی زمانی (Autocorrelation) در خروجی‌های MCMC
  • 11. محاسبه زمان تخلیه (Effective Sample Size) با coda
  • 12. تابع autocorr.plot برای بررسی وابستگی زمانی در coda
  • 13. تابع cumsum.plot برای بررسی همگرایی پایترینی
  • 14. تابع density.plot برای مقایسه توزیع‌های حاشویی مدل‌ها
  • 15. تابع xy.plot برای بررسی همبستگی بین پارامترها
  • 16. تابع seqplot برای بررسی مسیر زنجیره‌ها در coda
  • 17. آزمون همگرایی: بررسی خطوط رفتاری (Trace Plots)
  • 18. تشخیص عدم همگرایی با استفاده از coda
  • 19. تابع gelman.diag برای تشخیص همگرایی گلمن-روبین
  • 20. تابع heidel.diag برای آزمون همگرایی هدلر
  • 21. تابع raftery.diag برای تشخیص تعداد نمونه‌های لازم
  • 22. تابع geweke.diag برای مقایسه نمونه‌های اولیه و پایانی
  • 23. مقداردهی اولیه و پیش‌فرض‌های مدل‌های بیزی در مقایسه
  • 24. مفهوم مدل‌های جایگزین و انتخاب ساختار مدل
  • 25. ضریب بیز (Bayes Factor) و محاسبه آن از خروجی MCMC
  • 26. تقریب تعدادی برای ضریب بیز با روش خروجی MCMC
  • 27. مقدار ارزش مرزی (Marginal Likelihood) و نقش آن در مقایسه مدل
  • 28. محاسبه مقدار ارزش مرزی با روش تخمین تراکم (Chib's Method)
  • 29. استفاده از خروجی MCMC برای محاسبه DIC (Deviance Information Criterion)
  • 30. تفسیر و مقایسه معیار DIC بین مدل‌های مختلف
  • 31. معیار WAIC (Widely Applicable Information Criterion) و ارتباط با MCMC
  • 32. محاسبه WAIC و مقایسه با DIC در تحلیل بیزی
  • 33. مقایسه مدل‌های خطی بیزی با استفاده از خروجی‌های MCMC
  • 34. مقایسه مدل‌های سلسله‌مراتبی بیزی با خروجی MCMC
  • 35. بررسی عملکرد مدل‌های مخلوط (Mixture Models) با coda
  • 36. تحلیل مقایسه‌ای مدل‌های رگرسیون بیزی با coda
  • 37. تخصیص احتمالات پس از مدل (Posterior Model Probabilities)
  • 38. محاسبه و تفسیر وزن مدل (Model Weights) با coda
  • 39. آماده‌سازی داده‌ها و ماتریس‌های مدل برای مقایسه
  • 40. بررسی رزیده (Residuals) مدل‌های بیزی در coda
  • 41. مقایسه پیش‌بینی‌های مدل‌های بیزی با خروجی MCMC
  • 42. اعتبارسنجی متقاطع (Cross-Validation) بیزی و ارتباط با coda
  • 43. تابع predict و مقایسه عملکرد پیش‌بینی مدل‌ها
  • 44. تلفیق مدل‌ها (Model Averaging) با استفاده از خروجی MCMC
  • 45. تلفیق مدل‌های بیزی و محاسبه پیش‌بینی‌های ترکیبی
  • 46. مدیریت حافظه و بهینه‌سازی خروجی‌های MCMC در coda
  • 47. پاراللل‌سازی زنجیره‌های MCMC و بررسی خروجی‌ها در coda
  • 48. بررسی حساسیت مدل‌ها به انتخاب پیشینه (Prior Sensitivity)
  • 49. تحلیل مقایسه‌ای با تغییرات جزئی در ساختار مدل
  • 50. توصیف بصری مقایسه مدل‌ها با استفاده از coda
  • 51. ایجاد گراف‌های مقایسه‌ای با تابع plot در coda
  • 52. خروجی‌گرفتن خلاصه‌های آماری برای مقایسه مدل‌ها
  • 53. تابع summary و تفسیر نتایج مقایسه مدل‌های بیزی
  • 54. مقایسه مدل‌های بیزی در تحلیل بقا (Survival Analysis)
  • 55. مقایسه مدل‌های بیزی در تحلیل داده‌های طولی (Longitudinal Data)
  • 56. استفاده از coda برای تحلیل مدل‌های فضایی (Spatial Models)
  • 57. استفاده از coda برای تحلیل مدل‌های زمانی (Time Series Models)
  • 58. بررسی خروجی‌های MCMC در مدل‌های ناشی از مشکلات هم‌خطی
  • 59. استراتژی‌های نمونه‌گیری برای مقایسه مدل‌های پیچیده بیزی
  • 60. بهبود کارایی الگوریتم‌ها برای مقایسه سریع مدل‌ها
  • 61. گزارش‌دهی نتایج مقایسه مدل‌های بیزی برای مخاطبان فنی
  • 62. نوشتن اسکریپت‌های خودکار برای مقایسه مدل‌ها با coda
  • 63. دیباگ کردن خطاهای رایج در تحلیل مقایسه مدل با coda
  • 64. مقایسه مدل‌های بیزی غیرپارامتری با خروجی MCMC
  • 65. تکنیک‌های پیشرفته تشخیص همگرایی در مدل‌های پیچیده
  • 66. تکنیک‌های پیشرفته تلفیق مدل‌ها و تخصیص وزن
  • 67. مرور کامل و پروژه‌ای برای مقایسه مدل‌های بیزی با coda
تگ‌ها: Bayes Factor Bayesian Analysis Bayesian Model Comparison Bayesian Statistics coda package DIC Gelman-Rubin Markov Chain MCMC MCMC diagnostics Posterior Distribution R coda R programming Statistical Modeling WAIC

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.