کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش برنامه‌نویسی R برای شبیه‌سازی و روش‌های مونت کارلو - آخرین آپدیت

دانلود R Programming for Simulation and Monte Carlo Methods

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

برنامه‌نویسی R برای شبیه‌سازی و روش‌های مونت کارلو

با برنامه‌نویسی R برای شبیه‌سازی و روش‌های مونت کارلو، اصول برنامه‌نویسی آماری و شبیه‌سازی‌های مونت کارلو را با استفاده از نرم‌افزار R بیاموزید. این دوره به شما امکان می‌دهد شبیه‌سازی‌های احتمالی و ریاضی را با R برنامه‌ریزی کنید و توابع شبیه‌سازی نوآورانه خود را بسازید.

هدف دوره:

  • برنامه‌نویسی شبیه‌سازی‌های آماری با R: یاد بگیرید چگونه برنامه‌های آماری و شبیه‌سازی‌های مونت کارلو را با استفاده از نرم‌افزار R پیاده‌سازی کنید.
  • شبیه‌سازی‌های مونت کارلو: با استفاده از R، شبیه‌سازی‌های احتمالی که معمولاً شبیه‌سازی مونت کارلو نامیده می‌شوند را برنامه‌ریزی کنید.
  • شبیه‌سازی‌های ریاضی و توابع سفارشی: شبیه‌سازی‌های ریاضی را با R طراحی کنید و توابع شبیه‌سازی ریاضی منحصر به فرد خود را ایجاد نمایید.
  • استنتاج شبیه‌سازی شده با R: از توابع موجود R استفاده کنید و نحوه نوشتن توابع شخصی خود برای انجام تخمین‌های استنتاج شبیه‌سازی شده، شامل احتمال‌ها (likelihoods) و فواصل اطمینان (confidence intervals)، و مدل‌سازی موارد دیگر شبیه‌سازی تصادفی (stochastic simulation) را بیاموزید.
  • تولید متغیرهای تصادفی: قابلیت تولید خانواده‌های مختلف (و گشتاورهای) متغیرهای تصادفی گسسته و پیوسته را کسب کنید.
  • تکنیک‌های پیشرفته شبیه‌سازی: قادر خواهید بود تخمین پارامتر، انتگرال‌گیری مونت کارلو (Monte-Carlo Integration) برای توابع پیوسته و گسسته، و تکنیک‌های کاهش واریانس (variance reduction techniques) را شبیه‌سازی کنید.

موارد واقعی و کاربردی:

این دوره شامل مثال‌های کاربردی "دنیای واقعی" ساده‌شده است، مانند شبیه‌سازی احتمال "رگه" (streak) یک بازیکن بیسبال در بیست بازی متوالی با "ضربه در چوب" (hits-at-bat)، یا تخمین تعداد تاکسی‌ها در شهری ناشناخته با مشاهده دنباله‌ای از تاکسی‌های شماره‌دار در یک گوشه خیابان طی یک ساعت. علاوه بر این، دوره به تفصیل نحوه استفاده از توابع موجود R و نگارش توابع شخصی برای انجام استنتاج شبیه‌سازی شده، از جمله احتمال‌ها و فواصل اطمینان، و سایر موارد شبیه‌سازی تصادفی را شرح می‌دهد.

محتوای تکمیلی دوره:

تکنیک‌های استفاده از R برای تولید ویژگی‌های مختلف خانواده‌های متنوع متغیرهای تصادفی به تفصیل توضیح داده می‌شوند. دوره مهارت‌هایی برای پیاده‌سازی رویکردهای مختلف برای شبیه‌سازی توابع توزیع احتمال متغیرهای تصادفی پیوسته و گسسته، تخمین پارامتر، انتگرال‌گیری مونت کارلو و تکنیک‌های کاهش واریانس را آموزش می‌دهد. این دوره به طور جزئی از بسته spuRs در شبکه جامع آرشیو R (CRAN) استفاده می‌کند تا نحوه ساختاردهی و نوشتن برنامه‌ها برای دستیابی به شبیه‌سازی‌های ریاضی و احتمالی با استفاده از نرم‌افزار آماری R را نشان دهد.

پیش‌نیازها:

نصب نرم‌افزار R: دانشجویان نیاز به نصب نرم‌افزار رایگان و محبوب R Console و RStudio دارند (دستورالعمل‌ها ارائه خواهد شد).

سرفصل ها و درس ها

مروری بر وکتورها، ماتریس‌ها، لیست‌ها و توابع Review of Vectors, Matrices, Lists and Functions

  • مقدمه دوره Course Introduction

  • نصب R و RStudio Install R and RStudio

  • مرور: وکتورها، ماتریس‌ها، لیست‌ها (بخش ۱) Review: Vectors, Matrices, Lists (part 1)

  • مرور: وکتورها، ماتریس‌ها، لیست‌ها (بخش ۲) Review: Vectors, Matrices, Lists (part 2)

  • دنباله‌ها و تکرارها (بخش ۱) Sequences and Replications (part 1)

  • مرتب‌سازی و نظم‌دهی Sort and Order

  • توالی و تکرار (قسمت 2) Sequences and Replications (part 2)

  • مرتب سازی و ترتیب Sort and Order

  • استفاده از ماتریس‌ها (بخش ۲) Using Matrices (part 2)

  • دنباله‌ها و تکرارها (بخش ۲) Sequences and Replications (part 2)

  • ایجاد ماتریس (قسمت اول) Creating a Matrix (part 1)

  • استفاده از ماتریس ها (قسمت 2) Using Matrices (part 2)

  • ایجاد ماتریس (بخش ۱) Creating a Matrix (part 1)

  • ساختارهای لیست و Horsekicks (بخش ۱) List Structures and Horsekicks (part 1)

  • تابع Dpois() و Horsekicks (بخش ۲) Dpois() Function and Horsekicks (part 2)

  • نمونه‌برداری از یک دیتا فریم Sampling from a Dataframe

  • تمرین‌های بخش ۱ Section 1 Exercises

مثال‌های شبیه‌سازی: پرتاب سکه Simulation Examples: Tossing a Coin

  • پاسخ تمرین‌های عبارت‌های R (بخش ۱) R Expressions Exercises Answers (part 1)

  • پاسخ تمرین‌های عبارت‌های R (بخش ۲) R Expressions Exercises Answers (part 2)

  • مقدمه‌ای بر شبیه‌سازی: بازی پرتاب سکه (بخش ۱) Introduction to Simulation: A Game of Tossing a Coin (part 1)

  • مقدمه‌ای بر شبیه‌سازی: بازی پرتاب سکه (بخش ۲) Introduction to Simulation: A Game of Tossing a Coin (part 2)

  • نوشتن تابع شبیه‌سازی (بخش ۱) Write a Simulation Function (part 1)

  • نوشتن تابع شبیه‌سازی (بخش ۲) Write a Simulation Function (part 2)

  • ادامه شبیه‌سازی پرتاب سکه (بخش ۳) Continue Coin Tossing Simulation (part 3)

  • ادامه شبیه‌سازی پرتاب سکه (بخش ۴) Continue Coin Tossing Simulation (part 4)

مثال‌های شبیه‌سازی: بازگرداندن کلاه‌های بررسی شده Simulation Examples: Returning Checked Hats

  • جایگشت‌های تصادفی: مسئله کلاه (بخش ۱) Random Permutations: Hat Problem (part 1)

  • جایگشت‌های تصادفی: مسئله کلاه (بخش ۲) Random Permutations: Hat Problem (part 2 )

  • جایگشت‌های تصادفی: مسئله کلاه (بخش ۳) Random Permutations: Hat Problem (part 3)

  • جایگشت‌های تصادفی: مسئله کلاه (بخش ۴) Random Permutations: Hat Problem (part 4)

  • جایگشت‌های تصادفی: مسئله کلاه (بخش ۵) Random Permutations: Hat Problem (part 5)

  • جایگشت‌های تصادفی: مسئله کلاه (بخش ۶) Random Permutations: Hat Problem (part 6)

  • تمرین بررسی کلاه‌ها Checking Hats Exercise

مثال‌های شبیه‌سازی: جمع‌آوری کارت‌های بیسبال و رفتار "خطی" Simulation Examples: Collecting Baseball Cards and "Streaky" Behavior

  • حل تمرین بررسی کلاه‌ها Solution to Checking Hats Exercise

  • شبیه‌سازی جمع‌آوری کارت‌های بیسبال (بخش ۱) Collecting Baseball Cards Simulation (part 1)

  • شبیه‌سازی جمع‌آوری کارت‌های بیسبال (بخش ۲) Collecting Baseball Cards Simulation (part 2)

  • شبیه‌سازی جمع‌آوری کارت‌های بیسبال (بخش ۳) Collecting Baseball Cards Simulation (part 3)

  • شبیه‌سازی جمع‌آوری کارت‌های بیسبال (بخش ۴) Collecting Baseball Cards Simulation (part 4)

  • تمرین جمع‌آوری سکه‌های کوارتر Collecting Quarters Exercise

  • راه حل تمرین جمع‌آوری سکه‌های ایالتی Collecting State Quarters Exercise Solution

  • رفتار "خطی" ضربه زدن به توپ بیسبال (بخش ۱) "Streaky" Baseball Batting Behavior (part 1)

  • رفتار "خطی" ضربه زدن به توپ بیسبال (بخش ۲) "Streaky" Baseball Batting Behavior (part 2)

  • رفتار "خطی" ضربه زدن به توپ بیسبال (بخش ۳) "Streaky" Baseball Batting Behavior (part 3)

  • تمرین رفتار "خطی" "Streaky" Behavior Exercise

روش‌های مونت کارلو برای استنتاج Monte Carlo Methods for Inference

  • راه حل تمرین رفتار "خطی" Solution to "Streaky" Behavior Exercise

  • استفاده از شبیه‌سازی مونت کارلو برای تخمین استنتاج Using Monte Carlo Simulation to Estimate Inference

  • بی‌خواب در سیاتل (بخش ۱) Sleepless in Seattle (part 1)

  • بی‌خواب در سیاتل (بخش ۲) Sleepless in Seattle (part 2)

  • کاربرد روش‌های مونت کارلو در استنتاج (بخش ۱) Applying Monte Carlo Methods to Inference (part 1)

  • کاربرد روش‌های مونت کارلو در استنتاج (بخش ۲) Applying Monte Carlo Methods to Inference (part 2)

  • کاربرد روش‌های مونت کارلو در استنتاج (بخش ۳) Applying Monte Carlo Methods to Inference (part 3)

  • کاربرد روش‌های مونت کارلو در استنتاج (بخش ۴) Applying Monte Carlo Methods to Inference (part 4)

  • کاربرد روش‌های مونت کارلو در استنتاج (بخش ۵) Applying Monte Carlo Methods to Inference (part 5)

  • مقایسه برآوردگرها: مسئله تاکسی (بخش ۱) Comparing Estimators: The Taxi Problem (part 1)

  • مقایسه برآوردگرها: مسئله تاکسی (بخش ۲) Comparing Estimators: The Taxi Problem (part 2)

  • دوباره دیر به کلاس رسیدن؟ تمرین Late to Class Again ? Exercise

شبیه‌سازی تصادفی و تولید متغیر تصادفی Stochastic Simulation and Random Variable Generation

  • راه حل تمرین دیر به کلاس رسیدن Late to Class Again Exercise Solution

  • شبیه‌سازی تصادفی چیست؟ What is Stochastic Simulation ?

  • شبیه‌سازی و تولید متغیر تصادفی (بخش ۱) Simulation and Random Variable Generation (part 1)

  • شبیه‌سازی و تولید متغیر تصادفی (بخش ۲) Simulation and Random Variable Generation (part 2)

  • شبیه‌سازی و تولید متغیر تصادفی (بخش ۳) Simulation and Random Variable Generation (part 3)

  • شبیه‌سازی متغیرهای تصادفی گسسته (بخش ۱) Simulating Discrete Random Variables (part 1)

  • شبیه‌سازی متغیرهای تصادفی گسسته (بخش ۲) Simulating Discrete Random Variables (part 2)

  • شبیه‌سازی متغیرهای تصادفی گسسته (بخش ۳) Simulating Discrete Random Variables (part 3)

  • یافتن ریشه: تکنیک نیوتن-رافسون (بخش ۱) Root Finding: Newton-Raphson Technique (part 1)

  • یافتن ریشه: تکنیک نیوتن-رافسون (بخش ۲) Root Finding: Newton-Raphson Technique (part 2)

  • تمرین ایجاد متغیرهای تصادفی Create Random Variables Exercise

تبدیلات معکوس و عمومی Inverse and General Transforms

  • راه حل تمرین ایجاد متغیرهای تصادفی (بخش ۱) Create Random Variables Exercise Solution (part 1)

  • راه حل تمرین ایجاد متغیرهای تصادفی (بخش ۲) Create Random Variables Exercise Solution (part 2)

  • تبدیلات معکوس (بخش ۱) Inverse Transforms (part 1)

  • تبدیلات معکوس (بخش ۲) Inverse Transforms (part 2)

  • تبدیلات عمومی (بخش ۱) General Transformations (part 1)

  • تبدیلات عمومی (بخش ۲) General Transformations (part 2)

  • روش پذیرش-رد (بخش ۱) Accept-Reject Method (part 1)

  • روش پذیرش-رد (بخش ۲) Accept-Reject Method (part 2)

  • روش‌های پذیرش-رد (بخش ۳) Accept-Reject Methods (part 3)

  • تمرین متغیر تصادفی (پواسون) ۲ Random Variable (Poisson) Exercise 2

شبیه‌سازی انتگرال‌گیری عددی Simulating Numerical Integration

  • راه حل تمرین متغیر تصادفی (بخش ۱) Random Variable Exercise Solution (part 1)

  • راه حل تمرین متغیر تصادفی (بخش ۲) Random Variable Exercise Solution (part 2)

  • مقدمه‌ای بر شبیه‌سازی انتگرال‌گیری عددی (بخش ۱) Introduction to Simulating Numerical Integration (part 1)

  • مقدمه‌ای بر شبیه‌سازی انتگرال‌گیری عددی (بخش ۲) Introduction to Simulating Numerical Integration (part 2)

  • قاعده سیمپسون برای تقریب ذوزنقه‌ای Simpson's Rule for Trapezoidal Approximation

  • شبیه‌سازی انتگرال‌گیری عددی (بخش ۱) Simulating Numerical Integration (part 1)

  • شبیه‌سازی انتگرال‌گیری عددی (بخش ۲) Simulating Numerical Integration (part 2)

  • بیشتر درباره قاعده سیمپسون More on Simpson's Rule

  • قاعده سیمپسون با توابع فی Simpson's Rule with phi Functions

  • تمرین‌های توابع فی Phi Functions Exercises

  • ورود و خروج (بخش ۱) Hit and Miss (part 1)

  • ورود و خروج (بخش ۲) Hit and Miss (part 2)

آزمون‌های جایگشت Permutation Tests

  • راه حل تمرین توابع فی (انتگرال‌گیری عددی) Phi Functions (Numerical Integration) Exercise Solution

  • آزمون‌های جایگشت روی توزیع: مثال Chckwts (بخش ۱) Permutation Tests on a Distribution: Chckwts Example (part 1)

  • آزمون‌های جایگشت روی توزیع: مثال Chckwts (بخش ۲) Permutation Tests on a Distribution: Chckwts Example (part 2)

  • آزمون‌های جایگشت روی توزیع: مثال Chckwts (بخش ۳) Permutation Tests on a Distribution: Chckwts Example (part 3)

  • آزمون‌های جایگشت روی توزیع: مثال Chckwts (بخش ۴) Permutation Tests on a Distribution: Chckwts Example (part 4)

  • پایان آزمون‌های جایگشت و یک تمرین Finish Permutation Tests and an Exercise

مطالعات موردی شبیه‌سازی: پراکندگی بذر Simulation Case Studies: Seed Dispersal

  • راه حل تمرین‌های آزمون جایگشت Solution to Permutation Tests Exercises

  • مطالعه موردی پراکندگی بذر: شیء گرایی Seed Dispersal Case Study: Object Orientation

  • مطالعه پراکندگی بذر: ایجاد کلاس‌ها و توابع (بخش ۱) Seed Dispersal Case: Creating Classes and Functions (part 1)

  • مطالعه پراکندگی بذر: ایجاد کلاس‌ها و توابع (بخش ۲) Seed Dispersal Case: Creating Classes and Functions (part 2)

  • مطالعه پراکندگی بذر (بخش ۱) Seed Dispersal Case (part 1)

  • مطالعه پراکندگی بذر (بخش ۲) Seed Dispersal Case (part 2)

  • مطالعه پراکندگی بذر (بخش ۳) Seed Dispersal Case (part 3)

  • مطالعه پراکندگی بذر (بخش ۴) Seed Dispersal Case (part 4)

  • پایان مطالعه پراکندگی بذر Finish Seed Dispersal Case

مطالعات موردی شبیه‌سازی: گسترش اپیدمی‌ها و آتش‌سوزی جنگل‌ها Simulation Case Studies: The Spread of Epidemics and Forest Fires

  • مقدمه مطالعه موردی شبیه‌سازی گسترش اپیدمی‌ها Spread of Epidemics Simulation Case Introduction

  • مطالعه موردی گسترش اپیدمی‌ها (بخش ۲) Spread of Epidemics Case (part 2)

  • گسترش اپیدمی‌ها (بخش ۳) Spread of Epidemics (part 3)

  • گسترش اپیدمی‌ها (بخش ۴) Spread of Epidemics (part 4)

  • گسترش اپیدمی‌ها (بخش ۵) Spread of Epidemics (part 5)

  • بصری‌سازی فرآیند شاخه‌ای Visualizing the Branching Process

  • پایان مدل گسترش اپیدمی‌ها Finish Spread of Epidemics Model

  • شبیه‌سازی مدل آتش‌سوزی جنگل Forest First Model Simulation

آموزش دوره خرابی برنامه‌های مبتنی بر مدل: برنامه‌های قدرتمند و دیتاورس

آموزش دوره خرابی برنامه‌های مبتنی بر مدل: برنامه‌های قدرتمند و دیتاورس

دانلود Model Driven Apps Crash Course: Power Apps & Dataverse

آموزش گواهینامه متدولوژی چابک حرفه‌ای

آموزش گواهینامه متدولوژی چابک حرفه‌ای

دانلود Professional Agile Methodology Certification

آموزش Master Adobe Photoshop Elements 13 The Easy Way - 15 ساعت

آموزش Master Adobe Photoshop Elements 13 The Easy Way - 15 ساعت

Master Adobe Photoshop Elements 13 the Easy Way - 15 Hours

نمایش نظرات

آموزش برنامه‌نویسی R برای شبیه‌سازی و روش‌های مونت کارلو
جزییات دوره
11.5 hours
107
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
4,931
4 از 5
دارد
دارد
دارد

https://donyad.com/d/c104af

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Geoffrey Hubona, Ph.D. Geoffrey Hubona, Ph.D.

دانشیار سیستم های اطلاعاتی دکتر جفری هوبونا از سال 1993 در 4 دانشگاه بزرگ ایالتی در ایالات متحده دوره های تصدی تمام مدت و استعفا ، استادیار و دانشیار را حفظ کرده است. در حال حاضر ، وی دانشیار MIS در دانشگاه بین المللی A&M تگزاس است که برای آن تدریس می کند دوره های اعتباری در تجسم داده های تجاری (دوره کارشناسی) ، برنامه نویسی پیشرفته با استفاده از R (فارغ التحصیل) و داده کاوی و تجزیه و تحلیل تجارت (فارغ التحصیل). در سمت های قبلی دانشکده دانشگاهی ، او ده ها آماره مختلف ، سیستم های اطلاعات کسب و کار و دوره های علوم کامپیوتر را در مقطع کارشناسی ، کارشناسی ارشد و دکتری تدریس کرد. دانش آموزان. وی دکترای خود را کسب کرد. در رشته مدیریت بازرگانی (سیستم های اطلاعاتی و علوم کامپیوتر) از دانشگاه فلوریدا جنوبی (USF) در تامپا ، فلوریدا. کارشناسی ارشد اقتصاد ، همچنین از USF. MBA در رشته مالی از دانشگاه جورج میسون در فیرفکس ، VA ؛ و لیسانس روانشناسی از دانشگاه ویرجینیا در شارلوتسویل ، VA. او بنیانگذار مدرسه جورجیا R (2010-2014) و R-Courseware (2014 تا کنون) ، سازمان های آموزشی آنلاین است که روش های تحقیق و تکنیک های تجزیه و تحلیل کمی را آموزش می دهند. این تکنیک های روش تحقیق شامل مدلسازی خطی و غیرخطی ، روش های چند متغیره ، داده کاوی ، برنامه نویسی و شبیه سازی و مدل سازی معادلات ساختاری و مدل حداقل مربعات جزئی (PLS) است.