کتاب راهنمای گام به گام برای استفاده از JAGS در R

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای گام به گام برای استفاده از JAGS در R

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

موضوع میانی: ادغام JAGS با R

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر نرم‌افزار JAGS و کاربردهای آن
  • 2. نصب و راه‌اندازی JAGS و R
  • 3. آشنایی با محیط R و دستورات پایه
  • 4. مفاهیم اولیه مدل‌سازی آماری
  • 5. انواع مدل‌های آماری
  • 6. مقدمه‌ای بر مدل‌سازی بیزی
  • 7. تفاوت مدل‌سازی فراوانی‌گرا و بیزی
  • 8. اجزای یک مدل بیزی: پیشین، درست‌نمایی، پسین
  • 9. نوشتن اولین مدل بیزی در JAGS
  • 10. مفهوم پارامتر و تخمین آن
  • 11. توزیع‌های پیشین رایج
  • 12. انتخاب توزیع پیشین مناسب
  • 13. مفهوم درست‌نمایی
  • 14. توزیع‌های درست‌نمایی رایج
  • 15. نوشتن مدل با توزیع نرمال
  • 16. نوشتن مدل با توزیع برنولی
  • 17. نوشتن مدل با توزیع پواسون
  • 18. نوشتن مدل با توزیع گاما
  • 19. نوشتن مدل با توزیع بتا
  • 20. مفهوم زنجیره مارکوف مونت کارلو (MCMC)
  • 21. الگوریتم گیبس سمپلینگ
  • 22. الگوریتم متروپولیس-هستینگز
  • 23. اجرای MCMC در JAGS
  • 24. بررسی همگرایی زنجیره‌ها
  • 25. معیارهای تشخیص همگرایی (Gelman-Rubin)
  • 26. روش‌های بصری بررسی همگرایی
  • 27. تعداد تکرارها و طول زنجیره
  • 28. نمونه‌گیری پسین (Posterior Sampling)
  • 29. محاسبه آماره‌های پسین
  • 30. میانگین، میانه، واریانس پسین
  • 31. فواصل اطمینان بیزی (Credible Intervals)
  • 32. نمودارهای توزیع پسین
  • 33. مدل‌های خطی در JAGS
  • 34. رگرسیون خطی ساده بیزی
  • 35. رگرسیون خطی چندگانه بیزی
  • 36. مدل‌های سلسله‌مراتبی (Hierarchical Models)
  • 37. مفهوم سلسله‌مراتب
  • 38. مدل‌های سلسله‌مراتبی تک‌سطحی
  • 39. مدل‌های سلسله‌مراتبی دو سطحی
  • 40. کاربرد مدل‌های سلسله‌مراتبی در داده‌های خوشه‌ای
  • 41. مدل‌سازی داده‌های دسته‌بندی شده
  • 42. رگرسیون لجستیک بیزی
  • 43. مدل‌سازی داده‌های شمارشی
  • 44. مدل‌سازی با توزیع منفی دوجمله‌ای
  • 45. مدل‌سازی سری‌های زمانی
  • 46. مدل‌های ARIMA بیزی
  • 47. مدل‌های انتقال مارکوف (Markov Switching Models)
  • 48. مدل‌سازی فضایی
  • 49. مدل‌های اتورگرسیو فضایی (CAR)
  • 50. مدل‌های اتورگرسیو فضایی (SAR)
  • 51. مقدمه‌ای بر مدل‌های خطای ساختاری
  • 52. مدل‌سازی داده‌های بقا
  • 53. مدل کاکس بیزی
  • 54. مدل‌های بقا با پارامترهای متغیر
  • 55. مدل‌سازی داده‌های طولانی (Longitudinal Data)
  • 56. مدل‌های اثرات مختلط (Mixed Effects Models)
  • 57. مدل‌سازی داده‌های گمشده (Missing Data)
  • 58. روش‌های imputing در JAGS
  • 59. مدل‌سازی با داده‌های گمشده با استفاده از MCMC
  • 60. مقدمه‌ای بر روش‌های بیزی بیزین
  • 61. مدل‌های خطی تعمیم‌یافته بیزی (GLM)
  • 62. کاربرد GLM در JAGS
  • 63. مدل‌سازی توزیع‌های غیرنرمال
  • 64. مدل‌سازی شاخص‌های سلامت
  • 65. مدل‌سازی پیش‌بینی در سلامت
  • 66. تحلیل حساسیت مدل
  • 67. اعتبارسنجی مدل بیزی
  • 68. مقایسه مدل‌های بیزی مختلف
  • 69. استفاده از بسته‌های R برای تعامل با JAGS
  • 70. بسته rjags
  • 71. بسته R2jags
  • 72. بسته runjags
  • 73. نوشتن مدل‌های پیچیده‌تر
  • 74. مدل‌سازی با پارامترهای محدود
  • 75. مدل‌سازی با قیدهای غیرخطی
  • 76. بهینه‌سازی کد JAGS
  • 77. اشکال‌زدایی مدل‌های JAGS
  • 78. بررسی و تفسیر نتایج مدل‌های پیچیده
  • 79. مدل‌سازی پدیده‌های اجتماعی
  • 80. مدل‌سازی اقتصادسنجی بیزی
  • 81. مدل‌سازی در علوم محیط زیست
  • 82. مدل‌سازی در زیست‌شناسی آماری
  • 83. کاربرد JAGS در تحقیقات پزشکی
  • 84. مدل‌سازی در علوم رفتاری
  • 85. مدل‌سازی تصمیم‌گیری
  • 86. مدل‌سازی شبکه‌های اجتماعی
  • 87. مدل‌سازی یادگیری ماشین بیزی
  • 88. مقدمه‌ای بر شبکه‌های عصبی بیزی
  • 89. روش‌های پیشرفته MCMC
  • 90. چندریسمانی (Parallelization) در JAGS
  • 91. نوشتن توابع سفارشی در JAGS
  • 92. مقایسه نتایج JAGS با نرم‌افزارهای دیگر
  • 93. نکات و ترفندهای پیشرفته
  • 94. ملاحظات اخلاقی در مدل‌سازی بیزی
  • 95. کاربرد JAGS در مطالعات اپیدمیولوژیک
  • 96. مدل‌سازی پیش‌بینی در سیاست‌گذاری
  • 97. مدل‌سازی ریسک در بیمه
  • 98. مدل‌سازی در مدیریت پروژه
  • 99. مدل‌سازی در تحلیل داده‌های بزرگ
  • 100. راهنمای عیب‌یابی رایج در JAGS

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.