اپلیکیشن اندرویدی فلش‌کارت آموزشی استفاده از Stan for Advanced Analysis

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از Stan for Advanced Analysis

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی R برای تحلیل آماری
• 2. نصب و پیکربندی R و RStudio
• 3. آشنایی با محیط RStudio
• 4. انواع داده‌ها و ساختارهای داده در R
• 5. عملیات پایه با بردارها و ماتریس‌ها
• 6. کار با لیست‌ها و دیتافریم‌ها
• 7. خواندن و نوشتن داده‌ها از فایل‌های مختلف
• 8. عملیات پایه‌ای روی دیتافریم‌ها (انتخاب، فیلتر، مرتب‌سازی)
• 9. رسم نمودارهای پایه در R (هیستوگرام، پراکندگی، جعبه‌ای)
• 10. مقدمه‌ای بر مدل‌سازی آماری
• 11. آشنایی با توزیع‌های آماری مهم
• 12. آزمون فرض آماری: مفاهیم و کاربردها
• 13. آزمون t تک‌نمونه‌ای و دو‌نمونه‌ای
• 14. آزمون کای‌دو برای استقلال و برازش
• 15. تحلیل واریانس یک‌طرفه (ANOVA)
• 16. رگرسیون خطی ساده: مفاهیم و برآورد پارامترها
• 17. تفسیر ضرایب رگرسیون خطی ساده
• 18. تشخیص و رفع مشکلات مدل رگرسیون خطی ساده
• 19. رگرسیون خطی چندگانه: مفاهیم و برآورد پارامترها
• 20. انتخاب متغیر در مدل‌های رگرسیونی
• 21. آزمون‌های فرض در رگرسیون خطی چندگانه
• 22. مدل‌های خطی تعمیم‌یافته (GLM): مقدمه
• 23. رگرسیون لجستیک: مفاهیم و کاربردها
• 24. برآورد و تفسیر ضرایب در رگرسیون لجستیک
• 25. مدل‌های رگرسیون پواسون برای داده‌های شمارشی
• 26. مقدمه‌ای بر مدل‌های سری زمانی
• 27. مدل‌های ARIMA برای تحلیل سری‌های زمانی
• 28. پیش‌بینی با استفاده از مدل‌های سری زمانی
• 29. مقدمه‌ای بر تحلیل بقا
• 30. مدل کاپلان-مایر برای تخمین تابع بقا
• 31. مدل‌های رگرسیون بقا (کوکس)
• 32. مقدمه‌ای بر داده‌های پنل
• 33. مدل اثرات ثابت در داده‌های پنل
• 34. مدل اثرات تصادفی در داده‌های پنل
• 35. مقدمه‌ای بر تحلیل عاملی اکتشافی (EFA)
• 36. انجام تحلیل عاملی اکتشافی در R
• 37. تفسیر نتایج تحلیل عاملی اکتشافی
• 38. مقدمه‌ای بر تحلیل عاملی تأییدی (CFA)
• 39. انجام تحلیل عاملی تأییدی با استفاده از بسته‌های R
• 40. مقدمه‌ای بر مدل‌سازی معادلات ساختاری (SEM)
• 41. اجرای مدل‌سازی معادلات ساختاری در R
• 42. تفسیر نتایج مدل‌سازی معادلات ساختاری
• 43. مقدمه‌ای بر یادگیری ماشین
• 44. طبقه‌بندی‌کننده K-نزدیک‌ترین همسایه (KNN)
• 45. درخت تصمیم و جنگل تصادفی
• 46. ماشین‌های بردار پشتیبان (SVM)
• 47. خوشه‌بندی K-Means
• 48. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 49. شبکه‌های عصبی پرسپترون چندلایه
• 50. آموزش و اعتبارسنجی مدل‌های یادگیری ماشین
• 51. ارزیابی عملکرد مدل‌های طبقه‌بندی
• 52. ارزیابی عملکرد مدل‌های رگرسیون
• 53. مقدمه‌ای بر داده‌کاوی
• 54. قواعد وابستگی (Association Rules)
• 55. الگوریتم Apriori
• 56. مقدمه‌ای بر تحلیل خوشه‌ای پیشرفته
• 57. مدل‌سازی موضوعی (Topic Modeling)
• 58. تحلیل احساسات (Sentiment Analysis)
• 59. پردازش زبان طبیعی (NLP) در R
• 60. کار با متن و پاکسازی آن
• 61. استخراج ویژگی از متن
• 62. مقدمه‌ای بر استنتاج بیزی
• 63. مقدمه‌ای بر زبان Stan
• 64. نصب و پیکربندی Stan
• 65. نوشتن مدل‌های بیزی ساده در Stan
• 66. مدل رگرسیون خطی بیزی در Stan
• 67. مدل رگرسیون لجستیک بیزی در Stan
• 68. مدل‌های سلسله‌مراتبی در Stan
• 69. مدل اثرات مختلط در Stan
• 70. مدل‌های سری زمانی بیزی در Stan
• 71. مدل‌های بقا بیزی در Stan
• 72. مدل‌های فضایی در Stan
• 73. مقدمه‌ای بر بهینه‌سازی در Stan
• 74. بهینه‌سازی مقید و نامقید در Stan
• 75. کاربرد Stan در مسائل اقتصادی
• 76. کاربرد Stan در علوم اجتماعی
• 77. کاربرد Stan در علوم زیستی
• 78. کاربرد Stan در علوم مهندسی
• 79. مدل‌سازی پیشرفته با Stan
• 80. تکنیک‌های نمونه‌گیری MCMC در Stan
• 81. ارزیابی همگرایی در Stan
• 82. تجسم نتایج مدل‌های بیزی
• 83. گزارش‌دهی نتایج تحلیل‌های آماری
• 84. اصول کدنویسی تمیز و قابل نگهداری در R
• 85. مدیریت پروژه در R
• 86. کار با Git و GitHub برای کنترل نسخه
• 87. مقدمه‌ای بر بسته‌های سفارشی در R
• 88. نوشتن تابع‌های سفارشی در R
• 89. مستندسازی بسته‌های R
• 90. توزیع بسته‌های R
• 91. نکات پیشرفته برای کار با Stan
• 92. اشکال‌زدایی مدل‌های پیچیده در Stan
• 93. بهینه‌سازی کد Stan
• 94. ملاحظات اخلاقی در تحلیل داده‌ها