اپلیکیشن اندرویدی فلش‌کارت آموزشی راهنمای جامع برای کار با Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع برای کار با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مبانی زبان برنامه‌نویسی Stan
• 2. ساختار کلی کد در Stan
• 3. مقدمه‌ای بر مدل‌سازی احتمالاتی
• 4. مفاهیم اساسی زنجیره‌های مارکوف مونت کارلو (MCMC)
• 5. معرفی الگوریتم‌های نمونه‌گیری در Stan (NUTS)
• 6. نوشتن اولین مدل آماری در Stan
• 7. انواع داده‌ها و ساختارها در Stan
• 8. توابع ریاضی و آماری پایه در Stan
• 9. تعریف مدل‌های خطی ساده در Stan
• 10. مدل‌های رگرسیون خطی چندگانه در Stan
• 11. مقدمه‌ای بر مدل‌های سلسله‌مراتبی
• 12. پیاده‌سازی مدل‌های سلسله‌مراتبی در Stan
• 13. مدل‌های اثرات ثابت و تصادفی
• 14. کاربرد مدل‌های سلسله‌مراتبی در علوم زیستی
• 15. مدل‌های سلسله‌مراتبی در علوم اجتماعی
• 16. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 17. پیاده‌سازی GLM در Stan
• 18. مدل‌های رگرسیون لجستیک در Stan
• 19. مدل‌های رگرسیون پواسون در Stan
• 20. مدل‌های رگرسیون ناپارامتری در Stan
• 21. مقدمه‌ای بر شبکه‌های عصبی
• 22. پیاده‌سازی شبکه‌های عصبی ساده در Stan
• 23. آموزش شبکه‌های عصبی در Stan
• 24. بهینه‌سازی مدل‌های شبکه‌های عصبی
• 25. کاربرد شبکه‌های عصبی در پیش‌بینی
• 26. مقدمه‌ای بر مدل‌های سری زمانی
• 27. پیاده‌سازی مدل‌های ARIMA در Stan
• 28. مدل‌های حالت فضا در Stan
• 29. مدل‌های پویایی سیستم در Stan
• 30. کاربرد مدل‌های سری زمانی در اقتصاد
• 31. مقدمه‌ای بر مدل‌های فضایی
• 32. پیاده‌سازی مدل‌های فضایی در Stan
• 33. مدل‌های ناهمگنی مکانی در Stan
• 34. کاربرد مدل‌های فضایی در جغرافیا
• 35. مقدمه‌ای بر مدل‌های بقا
• 36. پیاده‌سازی مدل‌های کاپلان-مایر در Stan
• 37. مدل‌های کوکس در Stan
• 38. کاربرد مدل‌های بقا در پزشکی
• 39. مقدمه‌ای بر استنتاج بیزی
• 40. مقایسه استنتاج بیزی و فراوانی‌گرا
• 41. پیاده‌سازی استنتاج بیزی با Stan
• 42. مفاهیم پیشین و پسین در استنتاج بیزی
• 43. انتخاب توابع پیشین مناسب
• 44. ارزیابی همگرایی الگوریتم‌های MCMC
• 45. معیارهای ارزیابی مدل‌های بیزی
• 46. اعتبارسنجی متقابل برای مدل‌های بیزی
• 47. شناسایی و رفع مشکل همگرایی
• 48. مقدمه‌ای بر بهینه‌سازی و جستجو
• 49. کاربرد الگوریتم‌های بهینه‌سازی در Stan
• 50. جستجوی فراپارامترها در Stan
• 51. روش‌های پیشرفته نمونه‌گیری در Stan
• 52. کاربرد Stan در محاسبات علمی
• 53. نوشتن توابع سفارشی در Stan
• 54. استفاده از کتابخانه‌های خارجی در Stan
• 55. مقدمه‌ای بر شبیه‌سازی مونت کارلو
• 56. انجام شبیه‌سازی با Stan
• 57. تحلیل حساسیت پارامترها
• 58. مدل‌سازی عدم قطعیت در Stan
• 59. کاربرد Stan در علوم داده
• 60. مقدمه‌ای بر یادگیری ماشین بیزی
• 61. پیاده‌سازی الگوریتم‌های یادگیری ماشین با Stan
• 62. مدل‌های طبقه‌بندی بیزی
• 63. مدل‌های خوشه‌بندی بیزی
• 64. کاربرد یادگیری ماشین بیزی در Stan
• 65. مقدمه‌ای بر مدل‌های پنهان مارکوف (HMM)
• 66. پیاده‌سازی HMM در Stan
• 67. کاربرد HMM در پردازش گفتار
• 68. مدل‌های پنهان مارکوف در زیست‌شناسی مولکولی
• 69. مقدمه‌ای بر مدل‌های احتمالاتی گرافیکی
• 70. پیاده‌سازی مدل‌های گرافیکی در Stan
• 71. شبکه‌های بیزی در Stan
• 72. میدان‌های تصادفی مارکوف در Stan
• 73. کاربرد مدل‌های گرافیکی در هوش مصنوعی
• 74. مقدمه‌ای بر بهینه‌سازی بیزی
• 75. کاربرد بهینه‌سازی بیزی در Stan
• 76. توابع مَکسیمم سازی در Stan
• 77. روش‌های پیشرفته نمونه‌گیری برای بهینه‌سازی
• 78. مقدمه‌ای بر مدل‌های آماری پیشرفته
• 79. مدل‌های خطی مختلط در Stan
• 80. مدل‌های رگرسیون کوانتایل در Stan
• 81. مدل‌های ناهمگنی واریانس در Stan
• 82. مدل‌های آماری برای داده‌های پرت
• 83. مقدمه‌ای بر مدل‌های یادگیری عمیق بیزی
• 84. پیاده‌سازی شبکه‌های عصبی عمیق با Stan
• 85. مدل‌های مولد در Stan
• 86. مدل‌های خودرمزگذار در Stan
• 87. کاربرد یادگیری عمیق بیزی در Stan
• 88. مقدمه‌ای بر مدل‌سازی آماری مقایسه‌ای
• 89. کاربرد Stan در مقایسه مدل‌ها
• 90. معیارهای انتخاب مدل در Stan
• 91. تحلیل نتایج مدل‌های آماری
• 92. گزارش‌دهی نتایج مدل‌سازی در Stan
• 93. بهینه‌سازی عملکرد کد Stan
• 94. اشکال‌زدایی در مدل‌های Stan
• 95. مدیریت حافظه در Stan
• 96. مقدمه‌ای بر محاسبات موازی در Stan
• 97. استفاده از Stan با بسته‌های موازی
• 98. ملاحظات امنیتی در استفاده از Stan
• 99. پشتیبانی و جامعه کاربری Stan
• 100. منابع یادگیری بیشتر برای Stan