اپلیکیشن اندرویدی فلشکارت آموزشی تنظیمات پیشرفته for Sampling in Stan
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره تنظیمات پیشرفته for Sampling in Stan
موضوع کلی: روشهای نمونهگیری مونتکارلو مارکوف (MCMC) در آمار بیزی
موضوع میانی: مخاطرات و تنظیمات Stan
📋 سرفصلهای دوره
- 1. مقدمهای بر مدلسازی آماری و استنباط بیزی
- 2. آشنایی با زبان برنامهنویسی R
- 3. مفاهیم پایهای احتمال و آمار
- 4. توزیعهای احتمالی گسسته و پیوسته
- 5. مقدمهای بر نرمافزار Stan
- 6. نصب و راهاندازی Stan
- 7. زبان Stan: ساختار کلی و سینتکس
- 8. متغیرها، انواع داده و عملگرها در Stan
- 9. توابع و ساختارهای کنترلی در Stan
- 10. نوشتن اولین مدل بیزی ساده در Stan
- 11. مفاهیم اساسی استنباط بیزی
- 12. تابع درستنمایی و تابع پیشین
- 13. تابع پسین و قضیه بیز
- 14. روشهای نمونهگیری از توزیع پسین
- 15. مقدمهای بر روشهای مونت کارلو زنجیره مارکوف (MCMC)
- 16. الگوریتم گیبس (Gibbs Sampling)
- 17. الگوریتم متروپولیس-هستینگز (Metropolis-Hastings)
- 18. مفاهیم و معیارهای ارزیابی همگرایی MCMC
- 19. تشخیص همگرایی با استفاده از نمودارهای Trace
- 20. معیارهای R-hat و Effective Sample Size
- 21. مدلهای خطی تعمیمیافته (GLMs) در Stan
- 22. مدل رگرسیون خطی بیزی
- 23. مدل رگرسیون لجستیک بیزی
- 24. مدل رگرسیون پواسون بیزی
- 25. مدلسازی سری زمانی در Stan
- 26. مدلهای ARIMA بیزی
- 27. مدلهای حالت-فضا (State-Space Models) بیزی
- 28. مدلسازی دادههای سلسلهمراتبی (Hierarchical Models)
- 29. مدلهای اثرات مختلط (Mixed-Effects Models)
- 30. مدلسازی اثرات تصادفی (Random Effects)
- 31. مدلسازی اثرات ثابت (Fixed Effects)
- 32. مدلسازی دادههای مکانی در Stan
- 33. مقدمهای بر آمار مکانی
- 34. مدلهای خودهمبستگی مکانی
- 35. مدلهای رگرسیون مکانی بیزی
- 36. مدلسازی دادههای بقا (Survival Analysis)
- 37. مدل کاکس (Cox Proportional Hazards Model) بیزی
- 38. مدلهای پارامتری بقا بیزی
- 39. مدلسازی دادههای پانل (Panel Data)
- 40. مدلهای پویا در دادههای پانل
- 41. مدلهای اثرات ثابت و تصادفی در دادههای پانل
- 42. مدلسازی دادههای خوشهای (Clustered Data)
- 43. مدلهای چندسطحی (Multilevel Models)
- 44. مدلسازی اقتباس (Copula Modeling)
- 45. مقدمهای بر توابع اقتباس
- 46. انواع توابع اقتباس و کاربردهای آنها
- 47. مدلسازی اقتباس در Stan
- 48. روشهای پیشرفته نمونهگیری در Stan
- 49. نمونهگیری با استفاده از Hamiltonian Monte Carlo (HMC)
- 50. الگوریتم نمونهگیر No-U-Turn Sampler (NUTS)
- 51. بهینهسازی پارامترهای نمونهگیری در Stan
- 52. مدلسازی عدم قطعیت در پیشبینیها
- 53. تولید دادههای شبیهسازی شده (Simulated Data)
- 54. ارزیابی استحکام مدل (Model Robustness)
- 55. مدلسازی بیزی برای دادههای گمشده (Missing Data)
- 56. روشهای ایمپوتیشن (Imputation) در Stan
- 57. مدلسازی حساسیت به دادههای گمشده
- 58. مدلسازی بیزی برای دادههای پرت (Outlier Detection)
- 59. روشهای شناسایی و مدیریت دادههای پرت
- 60. مدلسازی با توابع پیشین قوی
- 61. مدلسازی بیزی برای تحلیل عاملی (Factor Analysis)
- 62. مدلهای عاملی اکتشافی (EFA) بیزی
- 63. مدلهای عاملی تأییدی (CFA) بیزی
- 64. مدلسازی بیزی برای تحلیل مسیر (Path Analysis)
- 65. ارتباط بین تحلیل عاملی و تحلیل مسیر
- 66. پیادهسازی تحلیل مسیر در Stan
- 67. مدلسازی بیزی برای مدلهای ساختاری (Structural Equation Models)
- 68. مقدمهای بر مدلهای ساختاری
- 69. اجزای مدلهای ساختاری
- 70. پیادهسازی مدلهای ساختاری در Stan
- 71. مدلسازی بیزی برای شبکههای عصبی (Neural Networks)
- 72. مقدمهای بر شبکههای عصبی
- 73. شبکههای عصبی پیشخور (Feedforward Neural Networks)
- 74. مدلسازی شبکههای عصبی بیزی در Stan
- 75. مدلسازی بیزی برای یادگیری عمیق (Deep Learning)
- 76. شبکههای عصبی کانولوشنی (CNNs) بیزی
- 77. شبکههای عصبی بازگشتی (RNNs) بیزی
- 78. مدلسازی بیزی برای پردازش زبان طبیعی (NLP)
- 79. مدلهای موضوعی (Topic Models) بیزی
- 80. مدلهای زبانی (Language Models) بیزی
- 81. مدلسازی بیزی برای بینایی ماشین (Computer Vision)
- 82. مدلهای تشخیص اشیاء بیزی
- 83. مدلهای بخشبندی تصویر بیزی
- 84. مقدمهای بر مباحث پیشرفته در استنباط بیزی
- 85. مدلهای بیزی غیرپارامتری
- 86. فرآیندهای گوسی (Gaussian Processes)
- 87. مدلهای بیزی برای یادگیری تقویتی (Reinforcement Learning)
- 88. کاربرد Stan در تحقیقات علمی
- 89. مثالهای کاربردی در علوم اجتماعی
- 90. مثالهای کاربردی در علوم زیستی
- 91. مثالهای کاربردی در علوم مهندسی
- 92. مثالهای کاربردی در اقتصاد
- 93. مباحث تکمیلی و منابع بیشتر
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.