فلش‌کارت‌های آموزشی فرهنگ لغات نمونه‌گیری Gibbs برای کاربران JAGS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره فرهنگ لغات نمونه‌گیری Gibbs برای کاربران JAGS

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

موضوع میانی: نمونه‌گیری Gibbs در JAGS

📋 سرفصل‌های دوره

• 1. آشنایی با نمونه‌گیری گیبس
• 2. مبانی نمونه‌گیری مارکوف چین مونت کارلو (MCMC)
• 3. کاربرد MCMC در مدل‌سازی آماری
• 4. معرفی نرم‌افزار JAGS
• 5. نصب و پیکربندی JAGS
• 6. نوشتن مدل‌های ساده در JAGS
• 7. تعریف متغیرهای مدل
• 8. مشخص کردن توزیع‌های پیشین
• 9. تعیین توزیع‌های پسین
• 10. نوشتن کد مدل برای پارامترهای پایه
• 11. اجرای مدل‌های ساده در JAGS
• 12. مشاهده خروجی‌های اولیه
• 13. تحلیل همگرایی زنجیره‌ها
• 14. معیارهای ارزیابی همگرایی
• 15. نمودارهای trace plot
• 16. نمودارهای autocorrelation plot
• 17. آماره‌های خلاصه
• 18. فاصله اطمینان برای پارامترها
• 19. نمونه‌گیری از توزیع‌های پیچیده
• 20. نمونه‌گیری از توزیع‌های شرطی
• 21. ساخت مدل‌های سلسله مراتبی
• 22. مبانی مدل‌های سلسله مراتبی
• 23. مثال کاربردی مدل سلسله مراتبی
• 24. پیاده‌سازی مدل سلسله مراتبی در JAGS
• 25. کاربرد مدل‌های سلسله مراتبی در علوم زیستی
• 26. کاربرد مدل‌های سلسله مراتبی در علوم اجتماعی
• 27. کاربرد مدل‌های سلسله مراتبی در اقتصاد
• 28. نمونه‌گیری گیبس در مدل‌های خطی
• 29. رگرسیون خطی با استفاده از نمونه‌گیری گیبس
• 30. مدل‌های رگرسیون لجستیک با نمونه‌گیری گیبس
• 31. مدل‌های رگرسیون پواسون با نمونه‌گیری گیبس
• 32. مدل‌های رگرسیون ناپارامتری
• 33. مبانی مدل‌های ناپارامتری
• 34. نمونه‌گیری گیبس برای تخمین چگالی
• 35. نمونه‌گیری گیبس برای خوشه‌بندی
• 36. مدل‌های مخلوط (Mixture Models)
• 37. پیاده‌سازی مدل‌های مخلوط در JAGS
• 38. کاربرد مدل‌های مخلوط در داده‌های ترکیبی
• 39. مدل‌های فضایی با استفاده از نمونه‌گیری گیبس
• 40. مبانی مدل‌های فضایی
• 41. مدل‌های خودهمبسته فضایی
• 42. مدل‌های خودرگرسیو فضایی
• 43. پیاده‌سازی مدل‌های فضایی در JAGS
• 44. مدل‌های سری زمانی با نمونه‌گیری گیبس
• 45. مبانی مدل‌های سری زمانی
• 46. مدل‌های ARIMA با نمونه‌گیری گیبس
• 47. مدل‌های GARCH با نمونه‌گیری گیبس
• 48. کاربرد مدل‌های سری زمانی در پیش‌بینی
• 49. مدل‌های بقا (Survival Models)
• 50. مبانی مدل‌های بقا
• 51. مدل کاکس (Cox Model) با نمونه‌گیری گیبس
• 52. مدل‌های پارامتریک بقا
• 53. پیاده‌سازی مدل‌های بقا در JAGS
• 54. مدل‌های خطای اندازه‌گیری
• 55. مبانی مدل‌های خطای اندازه‌گیری
• 56. نمونه‌گیری گیبس برای مدل‌های خطای اندازه‌گیری
• 57. کاربرد در مطالعات پیمایشی
• 58. مدل‌های مقایسه میانگین گروه‌ها
• 59. آزمون t با نمونه‌گیری گیبس
• 60. ANOVA با نمونه‌گیری گیبس
• 61. تحلیل کوواریانس (ANCOVA) با نمونه‌گیری گیبس
• 62. مدل‌های خطی تعمیم‌یافته (GLM)
• 63. پیاده‌سازی GLM در JAGS
• 64. کاربرد GLM در داده‌های غیرنرمال
• 65. مدل‌های ناهمگنی واریانس
• 66. مبانی ناهمگنی واریانس
• 67. نمونه‌گیری گیبس برای مدل‌های ناهمگنی واریانس
• 68. کاربرد در اقتصادسنجی
• 69. مدل‌های پنهان مارکوف (HMM)
• 70. مبانی HMM
• 71. پیاده‌سازی HMM در JAGS
• 72. کاربرد HMM در پردازش سیگنال
• 73. کاربرد HMM در زیست‌شناسی مولکولی
• 74. مدل‌های گرافیکی احتمالی
• 75. مبانی مدل‌های گرافیکی
• 76. مدل‌های بیزی شبکه‌ای
• 77. پیاده‌سازی مدل‌های گرافیکی در JAGS
• 78. بهینه‌سازی کد JAGS
• 79. نکات پیشرفته در نوشتن مدل
• 80. اشکال‌زدایی مدل‌های پیچیده
• 81. مقایسه مدل‌ها با استفاده از معیارهای بیزی
• 82. معیار اطلاعات بیز (BIC)
• 83. معیار اطلاعات آکائیکه بیزی (DIC)
• 84. ارزیابی صحت مدل
• 85. تفسیر نتایج در چارچوب علمی
• 86. کاربرد در پژوهش‌های علمی
• 87. ملاحظات اخلاقی در تحلیل داده‌ها
• 88. حفظ حریم خصوصی داده‌ها
• 89. شفافیت در مدل‌سازی
• 90. مستندسازی فرآیند تحلیل
• 91. گزارش‌دهی نتایج به صورت قابل فهم