لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش آمار بیزی: تکنیکها و مدلها
- آخرین آپدیت
دانلود Bayesian Statistics: Techniques and Models
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره، دومین بخش از یک مجموعه دو دورهای برای معرفی مبانی آمار بیزی است. این دوره بر پایه دوره «آمار بیزی: از مفهوم تا تحلیل دادهها» بنا شده که روشهای بیزی را از طریق مدلهای مزدوج ساده معرفی میکرد. دادههای دنیای واقعی اغلب برای رسیدن به نتایج واقعبینانه، به مدلهای پیچیدهتری نیاز دارند. هدف این دوره گسترش «جعبه ابزار بیزی» ما با مدلهای عمومیتر و تکنیکهای محاسباتی برای برازش آنها است. بهطور خاص، ما روشهای مونت کارلو زنجیره مارکوف (MCMC) را معرفی خواهیم کرد که امکان نمونهبرداری از توزیعهای پسین (Posterior) را در مواردی که راه حل تحلیلی ندارند، فراهم میکند. در این مسیر از نرمافزار متنباز و رایگان R (با فرض داشتن تجربه قبلی یا گذراندن دوره پیشنیاز) و نرمافزار JAGS (بدون نیاز به تجربه قبلی) استفاده خواهیم کرد. ما یاد میگیریم چگونه مدلهای آماری بیزی را برای پاسخ به سوالات علمی شامل دادههای پیوسته، باینری و شمارشی، طراحی، برازش، ارزیابی و مقایسه کنیم. این دوره ترکیبی از ویدئوهای آموزشی، دموهای کامپیوتری، متون خواندنی، تمرینات و تالارهای گفتگو است تا یک تجربه یادگیری فعال ایجاد کند. سخنرانیها مفاهیم ریاضی پایه، توضیحات فرآیند مدلسازی آماری و تکنیکهای مدلسازی رایج در میان آمارشناسان را ارائه میدهند و دموهای کامپیوتری، راهنمای عملی و ملموسی را فراهم میکنند. اتمام این دوره، دسترسی شما را به طیف وسیعی از ابزارهای تحلیلی بیزی که قابل شخصیسازی برای دادههای شما هستند، فراهم میکند.
سرفصل ها و درس ها
مدلسازی آماری و تخمین مونتکارلو
Statistical modeling and Monte Carlo estimation
معرفی دوره
Course introduction
اهداف
Objectives
فرآیند مدلسازی
Modeling process
اجزای مدلهای بیزی
Components of Bayesian models
مشخصات مدل
Model specification
استخراج توزیع پسین
Posterior derivation
مدلهای غیر مزدوج
Non-conjugate models
انتگرالگیری مونتکارلو
Monte Carlo integration
خطای مونتکارلو و حاشیهسازی
Monte Carlo error and marginalization
مثالهای محاسباتی
Computing examples
محاسبه خطای مونتکارلو
Computing Monte Carlo error
مونتکارلو زنجیره مارکوف (MCMC)
Markov chain Monte Carlo (MCMC)
الگوریتم
Algorithm
نمایش عملی
Demonstration
مثال گشت تصادفی، بخش اول
Random walk example, Part 1
مثال گشت تصادفی، بخش دوم
Random walk example, Part 2
دانلود، نصب و راهاندازی
Download, install, setup
نوشتن مدل، اجرا و پسپردازش
Model writing, running, and post-processing
نمونهبرداری پارامترهای متعدد و توزیعهای شرطی کامل
Multiple parameter sampling and full conditional distributions
مثال پیشین مزدوج شرطی با احتمال نرمال
Conditionally conjugate prior example with Normal likelihood
مثال محاسباتی با احتمال نرمال
Computing example with Normal likelihood
نمودارهای ردپا و خودهمبستگی
Trace plots, autocorrelation
زنجیرههای متعدد، دوره Burn-in و تشخیص گلمن-روبین
Multiple chains, burn-in, Gelman-Rubin diagnostic
مدلهای آماری رایج
Common statistical models
مقدمهای بر رگرسیون خطی
Introduction to linear regression
راهاندازی در R
Setup in R
مدل JAGS (رگرسیون خطی)
JAGS model (linear regression)
بررسی مدل
Model checking
مدلهای جایگزین
Alternative models
معیار اطلاعات انحراف (DIC)
Deviance information criterion (DIC)
مقدمهای بر ANOVA
Introduction to ANOVA
مدل یکطرفه با استفاده از JAGS
One way model using JAGS
مقدمهای بر رگرسیون لجستیک
Introduction to logistic regression
مدل JAGS (رگرسیون لجستیک)
JAGS model (logistic regression)
پیشبینی
Prediction
دادههای شمارشی و مدلسازی سلسلهمراتبی
Count data and hierarchical modeling
مقدمهای بر رگرسیون پوآسون
Introduction to Poisson regression
مدل JAGS (رگرسیون پوآسون)
JAGS model (Poisson regression)
نمایش نظرات