آموزش برنامه نویسی R برای شبیه سازی و روش های مونت کارلو

R Programming for Simulation and Monte Carlo Methods

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      توضیحات دوره: برنامه نویسی برنامه های کاربردی آماری و شبیه سازی های مونت کارلو را با موارد متعدد "واقعی" و نرم افزار R یاد بگیرید. از نرم افزار R برای برنامه ریزی شبیه سازی های احتمالی استفاده کنید که اغلب شبیه سازی مونت کارلو نامیده می شود. از نرم افزار R برای برنامه ریزی شبیه سازی های ریاضی و ایجاد توابع شبیه سازی ریاضی جدید استفاده کنید. از توابع R موجود استفاده کنید و نحوه نوشتن توابع R خود را برای انجام تخمین استنتاج شبیه سازی شده، از جمله احتمالات و فواصل اطمینان، و مدل سازی موارد دیگر شبیه سازی تصادفی، درک کنید. قادر به تولید خانواده های مختلف (و لحظه های) مختلف از متغیرهای تصادفی گسسته و پیوسته باشید. قادر به شبیه سازی تخمین پارامتر، ادغام مونت کارلو توابع پیوسته و گسسته و تکنیک های کاهش واریانس باشد. پیش نیازها:دانشجویان باید نرم افزار محبوب R Console و RStudio را نصب کنند (دستورالعمل های ارائه شده).

      برنامه‌نویسی R برای شبیه‌سازی و روش‌های مونت کارلو بر استفاده از نرم‌افزار R برای برنامه‌ریزی شبیه‌سازی‌های احتمالی متمرکز است که اغلب شبیه‌سازی مونت کارلو نامیده می‌شود. نمونه‌های ساده‌شده معمولی «دنیای واقعی» شامل شبیه‌سازی احتمالات یک بازیکن بیسبال است که یک «رشته» از بیست بازی فصل متوالی با «ضربه‌های ضربه‌ای» یا تخمین تعداد احتمالی کل تاکسی‌ها در یک شهر غریب، زمانی که فرد مشاهده می‌کند. توالی خاصی از تاکسی های شماره گذاری شده در مدت 60 دقیقه از گوشه خیابان خاصی عبور می کنند. این دوره علاوه بر جزئیات نیم دوجین (گاهی اوقات سرگرم کننده) برنامه های کاربردی نمونه توسعه یافته «دنیای واقعی»، نحوه استفاده از توابع R موجود، و نحوه نوشتن توابع R خود را برای انجام تخمین استنتاج شبیه سازی شده، از جمله احتمالات، به تفصیل توضیح می دهد. و فواصل اطمینان، و سایر موارد شبیه سازی تصادفی. تکنیک های استفاده از R برای تولید ویژگی های مختلف خانواده های مختلف متغیرهای تصادفی به تفصیل توضیح داده شده است. این دوره مهارت‌های پیاده‌سازی رویکردهای مختلف برای شبیه‌سازی توابع توزیع احتمال متغیر تصادفی پیوسته و گسسته، تخمین پارامتر، ادغام مونت کارلو، و تکنیک‌های کاهش واریانس را آموزش می‌دهد. این دوره تا حدی از بسته spuRs Comprehensive R Archive Network (CRAN) برای نشان دادن نحوه ساختار و نوشتن برنامه‌ها برای انجام شبیه‌سازی‌های ریاضی و احتمالاتی با استفاده از نرم‌افزار آماری R استفاده می‌کند.


      سرفصل ها و درس ها

      بررسی بردارها، ماتریس ها، لیست ها و توابع Review of Vectors, Matrices, Lists and Functions

      • معرفی دوره Course Introduction

      • R و RStudio را نصب کنید Install R and RStudio

      • نقد و بررسی: بردارها، ماتریس ها، فهرست ها (قسمت 1) Review: Vectors, Matrices, Lists (part 1)

      • نقد و بررسی: بردارها، ماتریس ها، فهرست ها (قسمت 2) Review: Vectors, Matrices, Lists (part 2)

      • توالی و تکرار (قسمت 1) Sequences and Replications (part 1)

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

      • مرتب سازی و ترتیب Sort and Order

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

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

      • فهرست سازه ها و اسب ها (قسمت 1) List Structures and Horsekicks (part 1)

      • تابع Dpois() و Horsekicks (قسمت 2) Dpois() Function and Horsekicks (part 2)

      • نمونه برداری از یک Dataframe Sampling from a Dataframe

      • بخش 1 تمرینات Section 1 Exercises

      مثال های شبیه سازی: پرتاب یک سکه Simulation Examples: Tossing a Coin

      • پاسخ تمرینات عبارات R (قسمت 1) R Expressions Exercises Answers (part 1)

      • پاسخ تمرینات عبارات R (قسمت 2) R Expressions Exercises Answers (part 2)

      • مقدمه ای بر شبیه سازی: بازی پرتاب یک سکه (قسمت اول) Introduction to Simulation: A Game of Tossing a Coin (part 1)

      • مقدمه ای بر شبیه سازی: بازی پرتاب سکه (قسمت 2) Introduction to Simulation: A Game of Tossing a Coin (part 2)

      • یک تابع شبیه سازی بنویسید (قسمت 1) Write a Simulation Function (part 1)

      • یک تابع شبیه سازی بنویسید (قسمت 2) Write a Simulation Function (part 2)

      • ادامه شبیه سازی پرتاب سکه (قسمت 3) Continue Coin Tossing Simulation (part 3)

      • ادامه شبیه سازی پرتاب سکه (قسمت 4) Continue Coin Tossing Simulation (part 4)

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

      • جایگشت های تصادفی: مشکل کلاه (قسمت 1) Random Permutations: Hat Problem (part 1)

      • جایگشت های تصادفی: مشکل کلاه (قسمت 2) Random Permutations: Hat Problem (part 2 )

      • جایگشت های تصادفی: مشکل کلاه (قسمت 3) Random Permutations: Hat Problem (part 3)

      • جایگشت های تصادفی: مشکل کلاه (قسمت 4) Random Permutations: Hat Problem (part 4)

      • جایگشت های تصادفی: مشکل کلاه (قسمت 5) Random Permutations: Hat Problem (part 5)

      • جایگشت های تصادفی: مشکل کلاه (قسمت 6) Random Permutations: Hat Problem (part 6)

      • تمرین چک کردن کلاه Checking Hats Exercise

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

      • راه حل تمرین چک کردن کلاه Solution to Checking Hats Exercise

      • شبیه سازی جمع آوری کارت های بیس بال (قسمت 1) Collecting Baseball Cards Simulation (part 1)

      • جمع آوری کارت های بیس بال شبیه سازی (قسمت 2) Collecting Baseball Cards Simulation (part 2)

      • جمع آوری کارت های بیس بال شبیه سازی (قسمت 3) Collecting Baseball Cards Simulation (part 3)

      • جمع آوری کارت های بیس بال شبیه سازی (قسمت 4) Collecting Baseball Cards Simulation (part 4)

      • تمرین ربع جمع آوری Collecting Quarters Exercise

      • جمع آوری راه حل تمرین محله ایالتی Collecting State Quarters Exercise Solution

      • رفتار ضربتی بیسبال "خارجی" (قسمت 1) "Streaky" Baseball Batting Behavior (part 1)

      • رفتار ضربتی بیسبال "خارجی" (قسمت 2) "Streaky" Baseball Batting Behavior (part 2)

      • رفتار ضربتی بیسبال "خارجی" (قسمت 3) "Streaky" Baseball Batting Behavior (part 3)

      • تمرین رفتاری "خط‌آلود". "Streaky" Behavior Exercise

      روش های مونت کارلو برای استنتاج Monte Carlo Methods for Inference

      • راه‌حل تمرین رفتاری "خط‌آلود". Solution to "Streaky" Behavior Exercise

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

      • بی خوابی در سیاتل (قسمت اول) Sleepless in Seattle (part 1)

      • بی خوابی در سیاتل (قسمت 2) Sleepless in Seattle (part 2)

      • استفاده از روش‌های مونت کارلو در استنتاج (بخش اول) Applying Monte Carlo Methods to Inference (part 1)

      • استفاده از روش های مونت کارلو در استنتاج (قسمت 2) Applying Monte Carlo Methods to Inference (part 2)

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

      • استفاده از روش های مونت کارلو در استنتاج (قسمت 4) Applying Monte Carlo Methods to Inference (part 4)

      • استفاده از روش‌های مونت کارلو در استنتاج (قسمت 5) Applying Monte Carlo Methods to Inference (part 5)

      • مقایسه برآوردگرها: مشکل تاکسی (قسمت 1) Comparing Estimators: The Taxi Problem (part 1)

      • مقایسه برآوردگرها: مشکل تاکسی (قسمت 2) Comparing Estimators: The Taxi Problem (part 2)

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

      شبیه سازی تصادفی و تولید متغیر تصادفی Stochastic Simulation and Random Variable Generation

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

      • شبیه سازی تصادفی چیست؟ What is Stochastic Simulation ?

      • شبیه سازی و تولید متغیرهای تصادفی (قسمت 1) Simulation and Random Variable Generation (part 1)

      • شبیه سازی و تولید متغیرهای تصادفی (قسمت 2) Simulation and Random Variable Generation (part 2)

      • شبیه سازی و تولید متغیرهای تصادفی (قسمت 3) Simulation and Random Variable Generation (part 3)

      • شبیه سازی متغیرهای تصادفی گسسته (قسمت 1) Simulating Discrete Random Variables (part 1)

      • شبیه سازی متغیرهای تصادفی گسسته (قسمت 2) Simulating Discrete Random Variables (part 2)

      • شبیه سازی متغیرهای تصادفی گسسته (قسمت 3) Simulating Discrete Random Variables (part 3)

      • ریشه یابی: تکنیک نیوتن رافسون (قسمت 1) Root Finding: Newton-Raphson Technique (part 1)

      • ریشه یابی: تکنیک نیوتن رافسون (قسمت 2) Root Finding: Newton-Raphson Technique (part 2)

      • ایجاد تمرین متغیرهای تصادفی Create Random Variables Exercise

      تبدیل معکوس و عمومی Inverse and General Transforms

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

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

      • تبدیل معکوس (قسمت 1) Inverse Transforms (part 1)

      • تبدیل معکوس (قسمت 2) Inverse Transforms (part 2)

      • تحولات عمومی (بخش اول) General Transformations (part 1)

      • تحولات عمومی (بخش دوم) General Transformations (part 2)

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

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

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

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

      شبیه سازی ادغام عددی Simulating Numerical Integration

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

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

      • مقدمه ای بر شبیه سازی ادغام عددی (قسمت 1) Introduction to Simulating Numerical Integration (part 1)

      • مقدمه ای بر شبیه سازی ادغام عددی (قسمت 2) Introduction to Simulating Numerical Integration (part 2)

      • قانون سیمپسون برای تقریب ذوزنقه ای Simpson's Rule for Trapezoidal Approximation

      • شبیه سازی ادغام عددی (قسمت 1) Simulating Numerical Integration (part 1)

      • شبیه سازی ادغام عددی (قسمت 2) Simulating Numerical Integration (part 2)

      • بیشتر در مورد قانون سیمپسون More on Simpson's Rule

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

      • تمرینات توابع فی Phi Functions Exercises

      • ضربه و خانم (قسمت 1) Hit and Miss (part 1)

      • ضربه و خانم (قسمت 2) Hit and Miss (part 2)

      تست های جایگشت Permutation Tests

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

      • آزمایش های جایگشت در توزیع: مثال Chckwts (قسمت 1) Permutation Tests on a Distribution: Chckwts Example (part 1)

      • آزمایش های جایگشت در توزیع: مثال Chckwts (قسمت 2) Permutation Tests on a Distribution: Chckwts Example (part 2)

      • آزمایش‌های جایگشت در یک توزیع: مثال Chckwts (قسمت 3) Permutation Tests on a Distribution: Chckwts Example (part 3)

      • آزمایش‌های جایگشت در یک توزیع: مثال Chckwts (قسمت 4) Permutation Tests on a Distribution: Chckwts Example (part 4)

      • تست های جایگشت و یک تمرین را تمام کنید Finish Permutation Tests and an Exercise

      مطالعات موردی شبیه سازی: پراکندگی بذر Simulation Case Studies: Seed Dispersal

      • راه حل تمرین های تست جایگشت Solution to Permutation Tests Exercises

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

      • مورد پراکندگی بذر: ایجاد کلاس ها و توابع (قسمت 1) Seed Dispersal Case: Creating Classes and Functions (part 1)

      • مورد پراکندگی بذر: ایجاد کلاس ها و توابع (قسمت 2) Seed Dispersal Case: Creating Classes and Functions (part 2)

      • مورد پراکندگی بذر (قسمت 1) Seed Dispersal Case (part 1)

      • مورد پراکندگی بذر (قسمت 2) Seed Dispersal Case (part 2)

      • مورد پراکندگی بذر (قسمت 3) Seed Dispersal Case (part 3)

      • مورد پراکندگی بذر (قسمت 4) Seed Dispersal Case (part 4)

      • مورد پراکندگی بذر را به پایان برسانید Finish Seed Dispersal Case

      مطالعات موردی شبیه سازی: گسترش اپیدمی ها و آتش سوزی های جنگلی Simulation Case Studies: The Spread of Epidemics and Forest Fires

      • Spread of Epidemics Simulation Case معرفی Spread of Epidemics Simulation Case Introduction

      • پرونده گسترش اپیدمی (قسمت 2) Spread of Epidemics Case (part 2)

      • گسترش اپیدمی ها (قسمت سوم) Spread of Epidemics (part 3)

      • گسترش اپیدمی ها (قسمت 4) Spread of Epidemics (part 4)

      • گسترش اپیدمی ها (قسمت 5) Spread of Epidemics (part 5)

      • تجسم فرآیند انشعاب Visualizing the Branching Process

      • مدل پایان گسترش اپیدمی ها Finish Spread of Epidemics Model

      • شبیه سازی مدل اول جنگل Forest First Model Simulation

      نمایش نظرات

      نظری ارسال نشده است.

      آموزش برنامه نویسی R برای شبیه سازی و روش های مونت کارلو

      این دوره غیر فعال شده است.

      سفارش این دوره به صورت اختصاصی
      جزییات دوره
      11.5 hours
      107
      Udemy (یودمی) Udemy (یودمی)
      (آخرین آپدیت)
      4,400
      4.5 از 5
      دارد
      دارد
      دارد
      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.