کتاب صوتی پشتیبانی MCMC از مدل‌های پیش‌بینی کننده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پشتیبانی MCMC از مدل‌های پیش‌بینی کننده

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

موضوع میانی: پشتیبانی از انواع توزیع‌ها و مدل‌ها

📋 سرفصل‌های دوره

• 1. مبانی مدل‌های پیش‌بینی کننده
• 2. مقدمه‌ای بر روش‌های نمونه‌گیری مارکوف چین مونت کارلو (MCMC)
• 3. اصول نظری MCMC
• 4. الگوریتم‌های رایج MCMC
• 5. متروپلیس-هستینگز
• 6. نمونه‌گیری گیبس
• 7. کاربرد MCMC در تخمین پارامتر
• 8. مدل‌سازی بیزی
• 9. استنتاج بیزی
• 10. قضیه بیز
• 11. توزیع پیشین و پسین
• 12. انتخاب توزیع پیشین مناسب
• 13. ارزیابی همگرایی زنجیره‌های MCMC
• 14. معیارهای همگرایی (Gelman-Rubin, R-hat)
• 15. روش‌های بصری ارزیابی همگرایی
• 16. تشخیص عدم همگرایی
• 17. بهینه‌سازی الگوریتم‌های MCMC
• 18. کاهش همبستگی بین متغیرها
• 19. استفاده از نمونه‌گیری شرطی
• 20. تکنیک‌های پیشرفته MCMC
• 21. نمونه‌گیری از مدل‌های پیچیده
• 22. مدل‌های سلسله مراتبی
• 23. مدل‌های فضایی-زمانی
• 24. کاربرد MCMC در یادگیری ماشین
• 25. طبقه‌بندی بیزی
• 26. رگرسیون بیزی
• 27. خوشه‌بندی بیزی
• 28. مدل‌سازی سری زمانی با MCMC
• 29. پیش‌بینی سری‌های زمانی
• 30. شناسایی مدل‌های سری زمانی
• 31. کاربرد MCMC در علوم زیستی
• 32. مدل‌سازی ژنتیکی
• 33. مدل‌سازی اپیدمیولوژیک
• 34. مدل‌سازی زیست‌انفورماتیک
• 35. کاربرد MCMC در مالی
• 36. مدل‌سازی ریسک
• 37. قیمت‌گذاری اختیار معامله
• 38. بهینه‌سازی سبد سهام
• 39. کاربرد MCMC در علوم اجتماعی
• 40. مدل‌سازی رفتار رای‌دهندگان
• 41. مدل‌سازی شبکه‌های اجتماعی
• 42. تحلیل داده‌های پیمایشی
• 43. کاربرد MCMC در مهندسی
• 44. مدل‌سازی قابلیت اطمینان
• 45. بهینه‌سازی پارامترهای سیستم
• 46. تحلیل داده‌های حسگر
• 47. مباحث پیشرفته در مدل‌های پیش‌بینی کننده
• 48. مدل‌های خطی تعمیم‌یافته بیزی
• 49. مدل‌های غیرپارامتری بیزی
• 50. شبکه‌های بیزی
• 51. مدل‌های گرافیکی احتمالی
• 52. انتگرال‌گیری عددی با MCMC
• 53. کاربرد MCMC در پردازش تصویر
• 54. بازسازی تصویر
• 55. طبقه‌بندی تصویر
• 56. شناسایی اشیاء
• 57. کاربرد MCMC در پردازش زبان طبیعی
• 58. مدل‌سازی موضوعی
• 59. ترجمه ماشینی بیزی
• 60. تحلیل احساسات
• 61. مبانی ریاضی مدل‌سازی بیزی
• 62. توزیع‌های احتمال
• 63. توابع چگالی احتمال
• 64. توزیع‌های گسسته و پیوسته
• 65. قوانین احتمال
• 66. امید ریاضی و واریانس
• 67. مقدمه‌ای بر بهینه‌سازی
• 68. روش‌های بهینه‌سازی بدون محدودیت
• 69. روش‌های بهینه‌سازی با محدودیت
• 70. کاربرد بهینه‌سازی در مدل‌سازی
• 71. مقدمه‌ای بر آمار استنباطی
• 72. برآوردگرها
• 73. فاصله‌های اطمینان
• 74. آزمون فرض آماری
• 75. مقدمه‌ای بر یادگیری ماشین
• 76. یادگیری نظارت شده
• 77. یادگیری بدون نظارت
• 78. یادگیری تقویتی
• 79. ارزیابی مدل‌های یادگیری ماشین
• 80. معیارهای ارزیابی
• 81. اعتبارسنجی متقابل
• 82. نکات عملی در پیاده‌سازی MCMC
• 83. انتخاب نرم‌افزار مناسب (Stan, PyMC, JAGS)
• 84. نوشتن کد برای مدل‌های MCMC
• 85. اشکال‌زدایی کدهای MCMC
• 86. تفسیر نتایج MCMC
• 87. ارائه نتایج مدل‌های پیش‌بینی کننده
• 88. مقایسه مدل‌های مختلف
• 89. انتخاب بهترین مدل
• 90. ارائه توصیه‌ها بر اساس مدل
• 91. اهمیت مدل‌سازی پیش‌بینی کننده در تصمیم‌گیری
• 92. کاربرد در سیاست‌گذاری عمومی
• 93. کاربرد در توسعه کسب و کار
• 94. کاربرد در تحقیقات علمی
• 95. اخلاق در مدل‌سازی پیش‌بینی کننده
• 96. شفافیت مدل‌ها
• 97. قابلیت تفسیر
• 98. مسئولیت‌پذیری
• 99. آینده مدل‌سازی پیش‌بینی کننده
• 100. روندهای جدید در MCMC