اپلیکیشن اندرویدی فلش‌کارت آموزشی راهنمای جامع for Modeling with Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع for Modeling with Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مبانی نظری مدل‌سازی آماری
• 2. مفاهیم پایه‌ی احتمال و آمار
• 3. توزیع‌های احتمال گسسته و پیوسته
• 4. آمار توصیفی و استنباطی
• 5. مقدمه‌ای بر مدل‌های خطی
• 6. رگرسیون خطی ساده و چندگانه
• 7. مفاهیم برآورد و آزمون فرض
• 8. مدل‌های خطی تعمیم‌یافته (GLM)
• 9. توزیع پواسون و رگرسیون آن
• 10. رگرسیون لجستیک برای داده‌های دودویی
• 11. رگرسیون چندجمله‌ای برای داده‌های طبقه‌ای
• 12. مقدمه‌ای بر مدل‌های سلسله‌مراتبی
• 13. مزایای مدل‌های سلسله‌مراتبی
• 14. مدل‌های اثرات ثابت و تصادفی
• 15. مدل‌های اثرات مختلط
• 16. اجرای مدل‌های سلسله‌مراتبی با Stan
• 17. آشنایی با زبان برنامه‌نویسی Stan
• 18. نحوه‌ی تعریف مدل در Stan
• 19. ورودی‌ها و خروجی‌های مدل Stan
• 20. توابع کمکی در Stan
• 21. نمونه‌گیری از توزیع‌های پیشین
• 22. مفاهیم زنجیره‌های مارکوف مونت کارلو (MCMC)
• 23. الگوریتم Gibbs Sampling
• 24. الگوریتم Metropolis-Hastings
• 25. الگوریتم No-U-Turn Sampler (NUTS)
• 26. تشخیص همگرایی در MCMC
• 27. معیارهای ارزیابی همگرایی
• 28. نمودارهای Trace و Autocorrelation
• 29. شاخص R-hat
• 30. ارزیابی کیفیت نمونه‌ها
• 31. بررسی پس‌توزیع (Posterior Distribution)
• 32. برآورد پارامترها از پس‌توزیع
• 33. فاصله‌های اطمینان بیزی (Credible Intervals)
• 34. پیش‌بینی با استفاده از مدل‌های بیزی
• 35. ارزیابی برازش مدل (Goodness-of-Fit)
• 36. آزمون‌های خارج از نمونه (Out-of-Sample Tests)
• 37. شاخص‌های اطلاعاتی (AIC, BIC)
• 38. اعتبارسنجی متقابل (Cross-Validation)
• 39. مدل‌سازی داده‌های سری زمانی
• 40. مقدمه‌ای بر سری‌های زمانی
• 41. مدل‌های ARIMA
• 42. مدل‌های GARCH
• 43. مدل‌سازی سری زمانی با Stan
• 44. مدل‌سازی داده‌های فضایی
• 45. مفاهیم اولیه ژئواستاتیستیک
• 46. مدل‌های کریگینگ
• 47. مدل‌های خودهمبستگی فضایی
• 48. مدل‌سازی فضایی با Stan
• 49. مدل‌سازی بقا (Survival Analysis)
• 50. مقدمه‌ای بر تحلیل بقا
• 51. توابع خطر و بقا
• 52. مدل کاکس (Cox Proportional Hazards)
• 53. مدل‌سازی بقا با Stan
• 54. مدل‌سازی داده‌های پانل (Panel Data)
• 55. مفاهیم داده‌های پانل
• 56. مدل‌های اثرات ثابت و تصادفی برای پانل
• 57. مدل‌سازی داده‌های پانل با Stan
• 58. مدل‌های رگرسیون کوانتیل
• 59. مفهوم رگرسیون کوانتیل
• 60. اجرای رگرسیون کوانتیل با Stan
• 61. مدل‌سازی داده‌های گسسته با Stan
• 62. مدل‌سازی داده‌های شمارشی (Count Data)
• 63. مدل‌سازی داده‌های دودویی و طبقه‌ای
• 64. کاربرد Stan در علوم اجتماعی
• 65. کاربرد Stan در علوم زیستی
• 66. کاربرد Stan در اقتصاد
• 67. کاربرد Stan در مهندسی
• 68. کاربرد Stan در علوم محیطی
• 69. مقدمه‌ای بر مدل‌های بیزی سلسله‌مراتبی پیشرفته
• 70. مدل‌های با ساختار پیچیده
• 71. مدل‌سازی داده‌های گمشده (Missing Data)
• 72. روش‌های imputation بیزی
• 73. مدل‌سازی داده‌های گمشده با Stan
• 74. استفاده از Stan برای مدل‌های غیرخطی
• 75. مدل‌های غیرخطی عمومی
• 76. مدل‌سازی غیرخطی با Stan
• 77. بهینه‌سازی مدل‌ها در Stan
• 78. تنظیم پارامترهای نمونه‌گیر MCMC
• 79. شناسایی مشکلات رایج در مدل‌سازی Stan
• 80. راهکارهای رفع مشکلات همگرایی
• 81. تفسیر نتایج مدل‌های پیچیده
• 82. ارتباط مدل‌های بیزی با مدل‌های فراوانی‌گرا
• 83. مزایای رویکرد بیزی در عمل
• 84. چالش‌های پیاده‌سازی مدل‌های بیزی
• 85. اخلاق در مدل‌سازی آماری
• 86. اهمیت شفافیت و تکرارپذیری
• 87. ملاحظات قانونی در تولید محتوا
• 88. اصول نگارش علمی و فنی
• 89. کاربرد ابزارهای بصری‌سازی داده‌ها
• 90. نمودارهای پس‌توزیع در Stan
• 91. نمودارهای پیش‌بینی در Stan
• 92. نرم‌افزارهای جانبی برای Stan
• 93. R و Stan
• 94. Python و Stan
• 95. خلاصه و جمع‌بندی مباحث
• 96. یادگیری مستمر در مدل‌سازی آماری
• 97. منابع تکمیلی برای مطالعه
• 98. تمرین‌های عملی و پروژه‌ها
• 99. ارزیابی نهایی دوره