کتاب صوتی کندوکاو در روش‌های مونت کارلو: شبیه‌سازی، تخمین و کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کندوکاو در روش‌های مونت کارلو: شبیه‌سازی، تخمین و کاربردها

موضوع کلی: روش‌های محاسباتی و شبیه‌سازی آماری

موضوع میانی: روش‌های مونت کارلو و کاربردهای آن‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های مونت کارلو
• 2. اهمیت شبیه‌سازی در آمار
• 3. مبانی احتمالات و توزیع‌های آماری
• 4. متغیرهای تصادفی و توابع توزیع
• 5. انتظار ریاضی و واریانس
• 6. نکات و قضایای کلیدی احتمالات
• 7. مقدمه‌ای بر آمار استنباطی
• 8. تخمین‌گرها و خواص آن‌ها
• 9. فاصله‌های اطمینان
• 10. آزمون فرض آماری
• 11. مقدمه‌ای بر روش‌های محاسباتی در آمار
• 12. اهمیت روش‌های مونت کارلو برای مسائل پیچیده
• 13. تولید اعداد شبه تصادفی
• 14. ویژگی‌های اعداد شبه تصادفی مطلوب
• 15. روش‌های تولید اعداد شبه تصادفی (LCG, Mersenne Twister)
• 16. آزمون‌های آماری برای اعداد شبه تصادفی
• 17. تولید متغیرهای تصادفی از توزیع‌های مختلف
• 18. روش نمونه‌گیری عدم پذیرش (Rejection Sampling)
• 19. مثال‌های کاربردی نمونه‌گیری عدم پذیرش
• 20. روش نمونه‌گیری تبدیلی (Transformation Sampling)
• 21. مثال‌های کاربردی نمونه‌گیری تبدیلی
• 22. تولید متغیرهای تصادفی نرمال
• 23. تولید متغیرهای تصادفی گاما و بتا
• 24. تولید متغیرهای تصادفی پواسون و هندسی
• 25. تولید متغیرهای تصادفی از توزیع‌های گسسته
• 26. تولید متغیرهای تصادفی از توزیع‌های پیوسته
• 27. اهمیت نمونه‌گیری تصادفی ساده
• 28. روش نمونه‌گیری تصادفی طبقه‌بندی شده
• 29. روش نمونه‌گیری خوشه‌ای
• 30. نمونه‌گیری تصادفی مرکب
• 31. مقدمه‌ای بر تقریب مونت کارلو
• 32. محاسبه انتگرال‌های معین با مونت کارلو
• 33. خطای نمونه‌گیری در تقریب مونت کارلو
• 34. روش مونت کارلو مستقیم (Direct Monte Carlo)
• 35. بهبود دقت با افزایش تعداد نمونه
• 36. کاربرد مونت کارلو در محاسبه انتگرال‌های چندبعدی
• 37. کاربرد مونت کارلو در تخمین امید ریاضی
• 38. روش نمونه‌گیری مجدد (Importance Sampling)
• 39. انتخاب تابع پیشنهادی مناسب در نمونه‌گیری مجدد
• 40. کاربرد نمونه‌گیری مجدد برای کاهش واریانس
• 41. روش تنظیم مجدد (Stratified Sampling)
• 42. استفاده از کوواریانس در نمونه‌گیری تنظیم مجدد
• 43. روش مونت کارلو با کاهش واریانس (Variance Reduction)
• 44. توابع کنترل‌کننده (Control Variates)
• 45. مثال‌های کاربردی توابع کنترل‌کننده
• 46. توابع پیش‌بینی‌کننده (Antithetic Variates)
• 47. مثال‌های کاربردی توابع پیش‌بینی‌کننده
• 48. توزیع شرطی و نمونه‌گیری از توزیع شرطی
• 49. مقدمه‌ای بر زنجیره‌های مارکوف (Markov Chains)
• 50. فضای حالت و انتقال بین حالت‌ها
• 51. ماتریس انتقال و خواص آن
• 52. زنجیره‌های مارکوف با زمان گسسته
• 53. زنجیره‌های مارکوف با زمان پیوسته
• 54. زنجیره‌های مارکوف برگشت‌ناپذیر
• 55. زنجیره‌های مارکوف برگشت‌پذیر
• 56. توزیع پایدار (Stationary Distribution)
• 57. همگرایی زنجیره‌های مارکوف به توزیع پایدار
• 58. مقدمه‌ای بر نمونه‌گیری از زنجیره‌های مارکوف (MCMC)
• 59. نیاز به MCMC برای توزیع‌های پیچیده
• 60. مبانی نمونه‌گیری از زنجیره‌های مارکوف
• 61. نظریه اساسی MCMC
• 62. الگوریتم Metropolis-Hastings
• 63. مراحل الگوریتم Metropolis-Hastings
• 64. انتخاب تابع پیشنهادی در Metropolis-Hastings
• 65. بررسی همگرایی الگوریتم Metropolis-Hastings
• 66. الگوریتم Gibbs Sampling
• 67. مراحل الگوریتم Gibbs Sampling
• 68. شرایط لازم برای استفاده از Gibbs Sampling
• 69. مقایسه Metropolis-Hastings و Gibbs Sampling
• 70. طراحی الگوریتم‌های MCMC سفارشی
• 71. بررسی همگرایی MCMC: معیارهای بصری
• 72. بررسی همگرایی MCMC: معیارهای آماری
• 73. تشخیص زمان شروع (Burn-in Period)
• 74. نمونه‌گیری از توزیع پسین (Posterior Distribution)
• 75. کاربرد MCMC در استنباط بیزی
• 76. محاسبه امید ریاضی پسین
• 77. محاسبه فواصل اطمینان بیزی
• 78. تخمین توابع چگالی پسین
• 79. مقدمه‌ای بر نرم‌افزارهای MCMC (WinBUGS, Stan)
• 80. کاربرد MCMC در رگرسیون خطی بیزی
• 81. کاربرد MCMC در مدل‌های خطی تعمیم‌یافته بیزی
• 82. کاربرد MCMC در مدل‌های سلسله مراتبی بیزی
• 83. کاربرد MCMC در مدل‌های گسسته بیزی
• 84. کاربرد MCMC در مدل‌های بقا (Survival Analysis) بیزی
• 85. کاربرد MCMC در سری‌های زمانی بیزی
• 86. کاربرد MCMC در مدل‌های فضایی بیزی
• 87. کاربرد MCMC در یادگیری ماشین (Machine Learning)
• 88. کاربرد MCMC در پردازش تصویر
• 89. کاربرد MCMC در شبیه‌سازی فیزیک
• 90. کاربرد MCMC در امور مالی (Finance)
• 91. کاربرد MCMC در علوم زیستی
• 92. کاربرد MCMC در تحقیقات بازار
• 93. روش‌های کاهش واریانس در MCMC
• 94. نمونه‌گیری از توزیع‌های ترکیبی (Mixture Distributions)
• 95. نمونه‌گیری از توزیع‌های با ابعاد بالا
• 96. مشکلات عملی در اجرای MCMC
• 97. انتخاب پارامترهای MCMC
• 98. بهینه‌سازی الگوریتم‌های MCMC
• 99. ارزیابی دقت نتایج MCMC
• 100. روش‌های پیشرفته MCMC