کتاب صوتی مقدمه‌ای بر زبان پایتون و کتابخانه‌های بیزی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر زبان پایتون و کتابخانه‌های بیزی

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

موضوع میانی: مقدمه‌ای بر آمار بیزی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مفاهیم احتمالات و آمار
• 2. آشنایی با مفاهیم احتمال شرطی و استقلال
• 3. قضیه بیز و کاربردهای آن
• 4. مروری بر توزیع‌های احتمال گسسته
• 5. توزیع دوجمله‌ای و هندسی
• 6. توزیع پواسون و کاربردهای آن
• 7. مروری بر توزیع‌های احتمال پیوسته
• 8. توزیع یکنواخت و نمایی
• 9. توزیع نرمال و ویژگی‌های آن
• 10. توزیع گاما و بتا
• 11. مفهوم تابع چگالی احتمال و تابع توزیع تجمعی
• 12. مقدمه‌ای بر استنتاج آماری
• 13. برآورد حداکثر درستنمایی
• 14. برآورد بیزی
• 15. مقدمه‌ای بر مدل‌های بیزی
• 16. مدل‌های پارامتری بیزی
• 17. مدل‌های ناپارامتری بیزی
• 18. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 19. نصب و راه‌اندازی محیط پایتون
• 20. ساختارهای داده‌ای در پایتون (لیست‌ها، تاپل‌ها، دیکشنری‌ها)
• 21. دستورات شرطی و حلقه‌ها در پایتون
• 22. توابع و ماژول‌ها در پایتون
• 23. مقدمه‌ای بر کتابخانه‌های علمی پایتون
• 24. نصب و استفاده از NumPy
• 25. عملیات برداری و ماتریسی با NumPy
• 26. مقدمه‌ای بر کتابخانه SciPy
• 27. توابع آماری و بهینه‌سازی در SciPy
• 28. مقدمه‌ای بر کتابخانه Pandas
• 29. ساخت و دستکاری DataFrameها در Pandas
• 30. عملیات داده‌ای با Pandas
• 31. مقدمه‌ای بر مصورسازی داده‌ها با Matplotlib
• 32. رسم نمودارهای پایه در Matplotlib
• 33. سفارشی‌سازی نمودارها
• 34. مقدمه‌ای بر کتابخانه Seaborn
• 35. نمودارهای آماری با Seaborn
• 36. مفاهیم مدل‌سازی بیزی در پایتون
• 37. پیاده‌سازی مدل‌های بیزی ساده با کتابخانه‌های پایتون
• 38. مقدمه‌ای بر کتابخانه PyMC3
• 39. تعریف مدل‌های بیزی در PyMC3
• 40. اجرای نمونه‌گیری MCMC با PyMC3
• 41. تحلیل نتایج نمونه‌گیری MCMC
• 42. مقدمه‌ای بر کتابخانه Stan (از طریق PyStan)
• 43. تعریف مدل‌های بیزی در Stan
• 44. اجرای نمونه‌گیری MCMC با Stan
• 45. تحلیل نتایج نمونه‌گیری Stan
• 46. کاربرد مدل‌های بیزی در تحلیل سری‌های زمانی
• 47. مدل‌های ARIMA بیزی
• 48. مدل‌های حالت-فضای بیزی
• 49. کاربرد مدل‌های بیزی در رگرسیون
• 50. رگرسیون خطی بیزی
• 51. رگرسیون لجستیک بیزی
• 52. کاربرد مدل‌های بیزی در طبقه‌بندی
• 53. طبقه‌بند بیز ساده
• 54. طبقه‌بند بیز متکلف
• 55. کاربرد مدل‌های بیزی در خوشه‌بندی
• 56. خوشه‌بندی بیزی با توزیع مخلوط گاوسی
• 57. خوشه‌بندی بیزی ناپارامتری
• 58. مقدمه‌ای بر مدل‌های سلسله مراتبی بیزی
• 59. ساخت و تفسیر مدل‌های سلسله مراتبی
• 60. کاربرد مدل‌های سلسله مراتبی در تحلیل داده‌های گروهی
• 61. مقدمه‌ای بر روش‌های نمونه‌گیری پیشرفته
• 62. نمونه‌گیری از نسبت پذیرش (Metropolis-Hastings)
• 63. نمونه‌گیری از زنجیره مارکوف مونت کارلو (MCMC)
• 64. نمونه‌گیری از اهمیت (Importance Sampling)
• 65. نمونه‌گیری از زنجیره مارکوف مونت کارلو با تغییر متغیر (Hamiltonian Monte Carlo)
• 66. مقدمه‌ای بر مدل‌های بیزی برای داده‌های حجیم
• 67. استراتژی‌های نمونه‌گیری برای داده‌های حجیم
• 68. استفاده از پردازش موازی در مدل‌سازی بیزی
• 69. کاربرد مدل‌های بیزی در یادگیری ماشین
• 70. مقایسه مدل‌های بیزی با مدل‌های فراگیر
• 71. پیش‌بینی با مدل‌های بیزی
• 72. ارزیابی مدل‌های بیزی
• 73. مقدمه‌ای بر اعتبار سنجی متقابل (Cross-validation) در مدل‌های بیزی
• 74. معیارهای ارزیابی مدل‌های بیزی
• 75. مقدمه‌ای بر مدل‌های بیزی برای داده‌های ساختاریافته
• 76. مدل‌های بیزی برای داده‌های گراف
• 77. مدل‌های بیزی برای داده‌های متنی
• 78. مقدمه‌ای بر تفسیرپذیری مدل‌های بیزی
• 79. تکنیک‌های بصری‌سازی برای تفسیر مدل‌ها
• 80. تکنیک‌های کمی برای سنجش اهمیت متغیرها
• 81. مقدمه‌ای بر مسائل عملی در مدل‌سازی بیزی
• 82. مدیریت مدل‌های پیچیده
• 83. اشکال‌زدایی مدل‌های بیزی
• 84. بهینه‌سازی کد مدل‌سازی بیزی
• 85. ملاحظات اخلاقی در استفاده از مدل‌های بیزی
• 86. کاربرد مدل‌های بیزی در علوم اجتماعی
• 87. کاربرد مدل‌های بیزی در علوم زیستی
• 88. کاربرد مدل‌های بیزی در علوم اقتصادی
• 89. کاربرد مدل‌های بیزی در مهندسی
• 90. مقدمه‌ای بر مدل‌های بیزی پیشرفته
• 91. مدل‌های بیزی برای داده‌های پویا
• 92. مدل‌های بیزی برای داده‌های فضایی-زمانی
• 93. کاربرد مدل‌های بیزی در شبکه‌های عصبی بیزی
• 94. معرفی شبکه‌های عصبی بیزی
• 95. پیاده‌سازی شبکه‌های عصبی بیزی با PyMC3
• 96. کاربرد شبکه‌های عصبی بیزی در پیش‌بینی
• 97. مقدمه‌ای بر یادگیری تقویتی بیزی
• 98. مبانی یادگیری تقویتی بیزی
• 99. پیاده‌سازی الگوریتم‌های یادگیری تقویتی بیزی
• 100. کاربرد یادگیری تقویتی بیزی در مسائل پیچیده