کتاب صوتی مدل‌های جمعی تعمیم‌یافته (GAM) با R: از تئوری تا پیاده‌سازی عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های جمعی تعمیم‌یافته (GAM) با R: از تئوری تا پیاده‌سازی عملی

موضوع کلی: مدل‌سازی پیش‌بین (Predictive Modeling)

موضوع میانی: مدل‌های رگرسیون پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی پیش‌بین و رگرسیون
• 2. مروری بر رگرسیون خطی و تعمیم‌ها
• 3. مفاهیم اصلی در مدل‌های جمعی (Additive Models)
• 4. چرا به مدل‌های جمعی تعمیم‌یافته (GAMs) نیاز داریم؟
• 5. آشنایی با کتاب "Generalized Additive Models: An Introduction with R"
• 6. نصب و راه‌اندازی R و بسته‌های مورد نیاز GAM
• 7. وارد کردن و آماده‌سازی داده‌ها برای مدل‌سازی GAM
• 8. مروری بر انواع متغیرها و نحوه برخورد با آن‌ها
• 9. تجسم داده‌ها برای شناسایی الگوها و روابط
• 10. مقدمه‌ای بر توابع پایه (Basis Functions)
• 11. توابع پایه چند جمله‌ای (Polynomial Basis Functions)
• 12. توابع پایه اسپیلاین (Spline Basis Functions)
• 13. توابع پایه B-Spline
• 14. توابع پایه thin plate spline
• 15. انتخاب توابع پایه مناسب برای داده‌های مختلف
• 16. درجه آزادی (Degrees of Freedom) و اهمیت آن در GAM
• 17. انتخاب درجه آزادی مناسب برای توابع پایه
• 18. مفهوم هموارسازی (Smoothing) در GAM
• 19. روش‌های هموارسازی مختلف
• 20. مروری بر روش‌های penalized regression
• 21. مقدمه‌ای بر برازش مدل GAM در R با بسته `mgcv`
• 22. نحوه استفاده از تابع `gam()`
• 23. تشخیص و رفع مشکلات همخطی (Collinearity) در GAM
• 24. تشخیص و رفع مشکلات outliers در GAM
• 25. انتخاب متغیرها در GAM
• 26. استفاده از AIC و BIC برای انتخاب مدل
• 27. اعتبارسنجی مدل GAM با روش‌های cross-validation
• 28. تفسیر نتایج مدل GAM
• 29. تجسم اثرات متغیرها در GAM
• 30. تشخیص اثرات خطی و غیرخطی در GAM
• 31. مقدمه‌ای بر توزیع‌های خانواده نمایی (Exponential Family Distributions)
• 32. GAM برای داده‌های با توزیع نرمال
• 33. GAM برای داده‌های با توزیع پواسون (Poisson)
• 34. GAM برای داده‌های با توزیع دوجمله‌ای (Binomial)
• 35. GAM برای داده‌های با توزیع گاما (Gamma)
• 36. GAM برای داده‌های با توزیع معکوس گوسی (Inverse Gaussian)
• 37. پیاده‌سازی GAM برای داده‌های شمارشی (Count Data)
• 38. پیاده‌سازی GAM برای داده‌های دودویی (Binary Data)
• 39. پیاده‌سازی GAM برای داده‌های پیوسته (Continuous Data)
• 40. مدل‌سازی با GAM برای داده‌های زمان بقا (Survival Analysis)
• 41. مقدمه‌ای بر اثرات تصادفی (Random Effects) در GAM
• 42. پیاده‌سازی GAM با اثرات تصادفی
• 43. استفاده از GAM برای داده‌های سری زمانی (Time Series Data)
• 44. مقدمه‌ای بر مدل‌های GAM فضایی (Spatial GAM)
• 45. پیاده‌سازی GAM فضایی با R
• 46. GAM برای داده‌های Panel Data
• 47. GAM برای پیش‌بینی (Prediction)
• 48. ارزیابی دقت پیش‌بینی در GAM
• 49. مقایسه GAM با سایر روش‌های مدل‌سازی
• 50. GAM در مقابل رگرسیون خطی چندگانه
• 51. GAM در مقابل رگرسیون لجستیک
• 52. GAM در مقابل درخت‌های تصمیم (Decision Trees)
• 53. GAM در مقابل ماشین‌های بردار پشتیبان (Support Vector Machines)
• 54. GAM در مقابل شبکه‌های عصبی (Neural Networks)
• 55. مدل‌سازی با GAM برای داده‌های بزرگ (Big Data)
• 56. مقدمه‌ای بر parallel computing در R
• 57. بهینه‌سازی مدل GAM برای سرعت و کارایی
• 58. GAM با استفاده از بسته `bam()` در R
• 59. GAM برای داده‌های غیرساخت‌یافته (Unstructured Data)
• 60. GAM با استفاده از یادگیری عمیق (Deep Learning)
• 61. GAM و روش‌های ensemble learning
• 62. مقدمه‌ای بر GAM چندمتغیره (Multivariate GAM)
• 63. GAM با استفاده از کوواریانس‌ متغیر با زمان (Time-Varying Covariates)
• 64. GAM با استفاده از داده‌های censored
• 65. GAM با استفاده از داده‌های truncated
• 66. GAM با استفاده از داده‌های inflated
• 67. GAM و مدل‌های hierarchical
• 68. GAM و تحلیل بقا با رقابت ریسک (Competing Risks)
• 69. GAM و مدل‌های state-space
• 70. GAM و تحلیل سری‌های زمانی چند متغیره
• 71. GAM و مدل‌های دینامیکی
• 72. GAM و مدل‌های غیرپارامتری
• 73. GAM و مدل‌های نیمه‌پارامتری
• 74. GAM و اثرات تعاملی (Interaction Effects)
• 75. تشخیص و مدل‌سازی اثرات تعاملی در GAM
• 76. GAM با استفاده از توابع پایه دو بعدی (Two-Dimensional Basis Functions)
• 77. GAM با استفاده از توابع پایه سه بعدی (Three-Dimensional Basis Functions)
• 78. GAM برای مدل‌سازی اثرات غیرخطی پیچیده
• 79. GAM و بررسی ناهمسانی واریانس (Heteroscedasticity)
• 80. GAM و مدل‌سازی واریانس
• 81. GAM و تحلیل حساسیت (Sensitivity Analysis)
• 82. GAM و تحلیل عدم قطعیت (Uncertainty Analysis)
• 83. GAM و تحلیل تاثیر (Influence Analysis)
• 84. GAM و مدل‌سازی Bayesian
• 85. GAM با استفاده از Stan
• 86. GAM با استفاده از JAGS
• 87. GAM و استنباط Bayesian
• 88. GAM و انتخاب مدل Bayesian
• 89. GAM و پیش‌بینی Bayesian
• 90. GAM و تحلیل تصمیم (Decision Analysis)
• 91. GAM و کاربردهای بالینی
• 92. GAM و کاربردهای مالی
• 93. GAM و کاربردهای زیست‌محیطی
• 94. GAM و کاربردهای بازاریابی
• 95. GAM و کاربردهای مهندسی
• 96. GAM و ایجاد داشبوردهای تعاملی با Shiny
• 97. GAM و مستندسازی مدل
• 98. GAM و گزارش‌دهی نتایج
• 99. اخلاق در مدل‌سازی GAM
• 100. محدودیت‌های GAM و چالش‌ها