فلش‌کارت‌های آموزشی greta در عمل: پیاده‌سازی مدل‌های آماری پیچیده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره greta در عمل: پیاده‌سازی مدل‌های آماری پیچیده

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

موضوع میانی: زبان مدل‌سازی greta

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی آماری و کاربردهای آن
• 2. مبانی آمار توصیفی برای مدل‌سازی
• 3. نرم‌افزارهای آماری رایج در ایران (R، پایتون)
• 4. آشنایی با محیط کاربری R برای تحلیل داده
• 5. مفاهیم پایه در زبان برنامه‌نویسی پایتون
• 6. نصب و پیکربندی کتابخانه‌های آماری در پایتون
• 7. مقدمه‌ای بر یادگیری ماشین و ارتباط آن با مدل‌سازی
• 8. انواع داده‌ها و پیش‌پردازش آن‌ها
• 9. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 10. استانداردسازی و نرمال‌سازی داده‌ها
• 11. شناخت و کاهش ابعاد داده‌ها
• 12. تحلیل مولفه‌های اصلی (PCA)
• 13. تحلیل عاملی اکتشافی
• 14. مقدمه‌ای بر رگرسیون خطی ساده
• 15. مفاهیم پایه در رگرسیون خطی چندگانه
• 16. انتخاب بهترین متغیرها در مدل رگرسیون
• 17. تشخیص و رفع مشکلات در مدل رگرسیون (هم‌خطی)
• 18. ارزیابی مدل رگرسیون خطی
• 19. رگرسیون لجستیک برای مسائل طبقه‌بندی
• 20. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 21. مدل‌های پواسون برای داده‌های شمارشی
• 22. مدل‌های دوجمله‌ای منفی
• 23. مقدمه‌ای بر یادگیری ماشین بدون ناظر
• 24. خوشه‌بندی K-Means
• 25. خوشه‌بندی سلسله‌مراتبی
• 26. تحلیل تشخیص (Discriminant Analysis)
• 27. مقدمه‌ای بر درخت‌های تصمیم
• 28. قوانین انجمنی (Association Rules)
• 29. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 30. ساختار و عملکرد نورون‌های مصنوعی
• 31. لایه‌های مختلف در شبکه‌های عصبی
• 32. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 33. شبکه‌های عصبی کانولوشنی (CNN) برای تصاویر
• 34. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 35. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 36. مقدمه‌ای بر یادگیری تقویتی
• 37. مفاهیم پایه در یادگیری تقویتی: عامل، محیط، پاداش
• 38. الگوریتم‌های یادگیری تقویتی (Q-Learning)
• 39. مقدمه‌ای بر مدل‌های آماری بیزی
• 40. مفهوم احتمال پیشین و پسین
• 41. استفاده از قضیه بیز در مدل‌سازی
• 42. روش‌های نمونه‌گیری از توزیع پسین (MCMC)
• 43. مدل‌سازی سلسله‌مراتبی بیزی
• 44. مقدمه‌ای بر سری‌های زمانی
• 45. تحلیل مولفه‌های سری زمانی (روند، فصلی، نویز)
• 46. مدل‌های ARIMA برای پیش‌بینی سری زمانی
• 47. مدل‌های GARCH برای مدل‌سازی واریانس ناهمسانی
• 48. مدل‌های حالت-فضا
• 49. مقدمه‌ای بر مدل‌های آماری برای داده‌های مکانی
• 50. تحلیل داده‌های مکانی و جغرافیایی
• 51. مدل‌های رگرسیون مکانی
• 52. خودهمبستگی مکانی (Moran's I)
• 53. مقدمه‌ای بر مدل‌های آماری برای داده‌های شبکه‌ای
• 54. تحلیل شبکه‌های اجتماعی
• 55. شاخص‌های مرکزی در شبکه‌های اجتماعی
• 56. تشخیص جوامع در شبکه‌ها
• 57. مدل‌سازی انتشار در شبکه‌ها
• 58. مقدمه‌ای بر مدل‌سازی بقا (Survival Analysis)
• 59. توابع بقا و خطر
• 60. مدل کاپلان-مایر
• 61. مدل رگرسیون کاکس
• 62. مقدمه‌ای بر شبیه‌سازی مونت کارلو
• 63. تولید اعداد تصادفی
• 64. شبیه‌سازی فرایندها
• 65. کاربرد شبیه‌سازی در ارزیابی مدل‌ها
• 66. مقدمه‌ای بر بهینه‌سازی مدل‌ها
• 67. روش‌های بهینه‌سازی (گرادیان کاهشی)
• 68. بهینه‌سازی در شبکه‌های عصبی
• 69. تنظیم فراپارامترها (Hyperparameter Tuning)
• 70. اعتبارسنجی متقابل (Cross-Validation)
• 71. مقدمه‌ای بر مدل‌های آماری برای داده‌های نامتوازن
• 72. تکنیک‌های افزایش داده (SMOTE)
• 73. استفاده از معیارهای ارزیابی مناسب
• 74. مقدمه‌ای بر مدل‌های آماری در اقتصاد اسلامی
• 75. بانکداری بدون ربا و مدل‌های مالی اسلامی
• 76. عقود اسلامی در مدل‌سازی اقتصادی
• 77. مقدمه‌ای بر مدل‌سازی در علوم پزشکی
• 78. مدل‌سازی آماری برای تشخیص بیماری
• 79. پیش‌بینی پاسخ به درمان
• 80. مقدمه‌ای بر مدل‌سازی در علوم اجتماعی
• 81. تحلیل پیمایش‌ها و پرسشنامه‌ها
• 82. مدل‌سازی رفتار مصرف‌کننده
• 83. مقدمه‌ای بر مدل‌سازی در علوم محیط زیست
• 84. مدل‌سازی آلودگی هوا
• 85. پیش‌بینی تغییرات اقلیمی
• 86. مقدمه‌ای بر مدل‌سازی در علوم مهندسی
• 87. بهینه‌سازی فرایندهای تولید
• 88. پیش‌بینی خرابی تجهیزات
• 89. مقدمه‌ای بر مدل‌سازی در علوم مدیریت
• 90. مدل‌سازی ریسک در پروژه‌ها
• 91. پیش‌بینی فروش و تقاضا
• 92. مقدمه‌ای بر تفسیر و گزارش‌دهی نتایج مدل
• 93. استانداردهای گزارش‌دهی در مقالات علمی
• 94. ارائه نتایج به مخاطبان غیرمتخصص
• 95. ملاحظات اخلاقی در مدل‌سازی آماری
• 96. حفظ حریم خصوصی داده‌ها
• 97. سوگیری در داده‌ها و مدل‌ها
• 98. مقدمه‌ای بر مدل‌های آماری پیشرفته
• 99. مدل‌های آماری برای داده‌های حجیم (Big Data)
• 100. یادگیری عمیق و کاربردهای آن