اپلیکیشن اندرویدی فلش‌کارت آموزشی رفع مشکلات رایج در مدل‌سازی با Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رفع مشکلات رایج در مدل‌سازی با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی آماری بیزی
• 2. مفاهیم اساسی احتمال و آمار
• 3. توزیع‌های احتمال گسسته و پیوسته
• 4. مقدمه‌ای بر زبان برنامه‌نویسی R
• 5. نصب و پیکربندی Stan
• 6. مقدمه‌ای بر مدل‌سازی با Stan
• 7. نحو پایه Stan
• 8. تعریف مدل‌های خطی ساده در Stan
• 9. تخمین پارامترها با استفاده از MCMC
• 10. مفاهیم اساسی زنجیره مارکوف مونت کارلو
• 11. نمونه‌گیری از توزیع‌های پیچیده
• 12. تحلیل همگرایی زنجیره‌های مارکوف
• 13. تشخیص و رفع مشکلات همگرایی
• 14. مدل‌های خطی تعمیم‌یافته در Stan
• 15. مدل‌های رگرسیون لجستیک در Stan
• 16. مدل‌های رگرسیون پواسون در Stan
• 17. مقدمه‌ای بر مدل‌های سلسله مراتبی
• 18. مدل‌های سلسله مراتبی خطی در Stan
• 19. مدل‌های سلسله مراتبی برای داده‌های گسسته
• 20. مدل‌های سلسله مراتبی برای داده‌های پیوسته
• 21. مدل‌های اثرات تصادفی
• 22. مدل‌های اثرات ثابت
• 23. تفاوت بین اثرات ثابت و تصادفی
• 24. مدل‌های سلسله مراتبی با اثرات مشترک
• 25. مدل‌سازی داده‌های سری زمانی در Stan
• 26. مدل‌های ARIMA در Stan
• 27. مدل‌های اتورگرسیو شرطی ناهمسانی (ARCH/GARCH)
• 28. مدل‌سازی داده‌های مکانی در Stan
• 29. مدل‌های خودهمبستگی مکانی
• 30. مدل‌های ناهمگنی مکانی
• 31. مدل‌سازی داده‌های پانل در Stan
• 32. مدل‌های اثرات ثابت برای داده‌های پانل
• 33. مدل‌های اثرات تصادفی برای داده‌های پانل
• 34. مدل‌های پویا برای داده‌های پانل
• 35. اعتبارسنجی مدل با استفاده از داده‌های جدید
• 36. اعتبارسنجی متقابل
• 37. اعتبارسنجی پیش‌بینانه
• 38. تجزیه و تحلیل حساسیت مدل
• 39. اهمیت انتخاب مدل مناسب
• 40. مقایسه مدل‌های مختلف
• 41. معیارهای انتخاب مدل (AIC, BIC)
• 42. استفاده از بسته‌های کمکی Stan
• 43. بسته CmdStanR
• 44. بسته RStan
• 45. بسته brms
• 46. استفاده از دستورات پیشرفته Stan
• 47. تابع شرطی در Stan
• 48. حلقه‌های for و while در Stan
• 49. توابع سفارشی در Stan
• 50. مدیریت داده‌های گمشده در مدل‌سازی بیزی
• 51. روش‌های جایگزینی داده‌های گمشده
• 52. مدل‌سازی داده‌های گمشده به صورت صریح
• 53. مدل‌سازی داده‌های حجیم (Big Data) با Stan
• 54. چالش‌های مدل‌سازی داده‌های حجیم
• 55. راهکارهای مدل‌سازی داده‌های حجیم
• 56. مدل‌سازی داده‌های متنی در Stan
• 57. مدل‌سازی موضوعی (Topic Modeling)
• 58. مدل‌های زبانی بیزی
• 59. مدل‌سازی داده‌های شبکه‌ای در Stan
• 60. تحلیل شبکه‌های اجتماعی
• 61. مدل‌های بیزی برای شبکه‌ها
• 62. مدل‌سازی داده‌های سلسله مراتبی پیچیده
• 63. مدل‌های طبقات پنهان (Latent Class Models)
• 64. مدل‌های رگرسیون ناپارامتریک بیزی
• 65. استفاده از Stan برای بهینه‌سازی
• 66. بهینه‌سازی پارامترهای مدل
• 67. بهینه‌سازی توابع هدف
• 68. استفاده از Stan برای شبیه‌سازی
• 69. شبیه‌سازی فرآیندهای تصادفی
• 70. شبیه‌سازی سناریوهای مختلف
• 71. مدل‌سازی پیش‌بینی با Stan
• 72. ارزیابی دقت پیش‌بینی
• 73. بازه اطمینان در پیش‌بینی
• 74. مدل‌سازی علی با Stan
• 75. استنتاج علی در مدل‌های بیزی
• 76. روش‌های علی در Stan
• 77. تجزیه و تحلیل حساسیت نسبت به توزیع پیشین
• 78. انتخاب توزیع پیشین مناسب
• 79. تأثیر توزیع پیشین بر نتایج
• 80. مدل‌سازی ناپارامتریک با Stan
• 81. مدل‌های کرنل در Stan
• 82. مدل‌های گوسی فرآیند در Stan
• 83. مدل‌سازی سری‌های زمانی پیچیده
• 84. مدل‌های حالت-فضای بیزی
• 85. مدل‌های غیرخطی سری زمانی
• 86. مدل‌سازی داده‌های فضایی-زمانی
• 87. ترکیب مدل‌های مکانی و زمانی
• 88. تحلیل داده‌های فضایی-زمانی پیچیده
• 89. مدل‌سازی روابط پیچیده بین متغیرها
• 90. مدل‌های گرافیکی بیزی
• 91. مدل‌های ساختاری معادلات (SEM) بیزی
• 92. مدل‌سازی داده‌های بایومتریک با Stan
• 93. مدل‌سازی اثرات متقابل
• 94. مدل‌سازی داده‌های زیستی
• 95. مدل‌سازی داده‌های پزشکی با Stan
• 96. پیش‌بینی بیماری
• 97. مدل‌سازی بقا
• 98. مدل‌سازی داده‌های اقتصادی با Stan
• 99. پیش‌بینی اقتصادی
• 100. مدل‌سازی ریسک