اپلیکیشن اندرویدی فلش‌کارت آموزشی ملاحظات مهم در اجرای MCMC با Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ملاحظات مهم در اجرای MCMC با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های مونت کارلو زنجیره مارکوف
• 2. مبانی نظری MCMC
• 3. کاربرد MCMC در استنباط آماری
• 4. معرفی نرم‌افزار Stan
• 5. نصب و راه‌اندازی Stan
• 6. ساختار مدل در Stan
• 7. زبان مدل‌سازی Stan
• 8. مفهوم متغیرهای تصادفی در Stan
• 9. توابع چگالی احتمال در Stan
• 10. تعریف داده‌ها در Stan
• 11. تعریف پارامترها در Stan
• 12. تعریف شرطی‌ها در Stan
• 13. تعریف توابع کمکی در Stan
• 14. نوشتن مدل‌های خطی ساده در Stan
• 15. نوشتن مدل‌های رگرسیون لجستیک در Stan
• 16. نوشتن مدل‌های رگرسیون پواسون در Stan
• 17. مدل‌های سلسله مراتبی در Stan
• 18. مفاهیم سطوح مختلف در مدل‌های سلسله مراتبی
• 19. پیاده‌سازی مدل‌های سلسله مراتبی در Stan
• 20. مدل‌های خطای متغیر در Stan
• 21. مدل‌های فضایی در Stan
• 22. مدل‌های سری زمانی در Stan
• 23. مبانی نظری و کاربردی الگوریتم‌های نمونه‌برداری
• 24. الگوریتم Metropolis-Hastings
• 25. الگوریتم Gibbs Sampling
• 26. الگوریتم Hamiltonian Monte Carlo (HMC)
• 27. کاربرد HMC در Stan
• 28. پارامترهای HMC
• 29. تنظیم گام‌های HMC
• 30. تنظیم تعداد مراحل HMC
• 31. تنظیم پارامترهای L-BFGS
• 32. مبانی نظری و کاربردی نمونه‌برداری در Stan
• 33. نمونه‌برداری از توزیع پسین
• 34. بررسی همگرایی زنجیره‌های مارکوف
• 35. معیارهای همگرایی (Gelman-Rubin, R-hat)
• 36. نمودارهایtrace plot
• 37. نمودارهای autocorrelation plot
• 38. بررسی همبستگی بین پارامترها
• 39. بازنمایی بصری نتایج MCMC
• 40. رسم نمودار هیستوگرام توزیع پسین
• 41. رسم نمودار kernel density plot
• 42. رسم نمودار scatter plot پارامترها
• 43. تفسیر نتایج مدل‌های Bayesian
• 44. محاسبه میانگین، میانه و واریانس توزیع پسین
• 45. محاسبه فواصل اطمینان Bayesian (CrI)
• 46. بررسی حساسیت مدل به پیش‌فرض‌ها
• 47. اعتبارسنجی مدل با داده‌های جدید
• 48. استفاده از Stan برای مدل‌های پیشرفته
• 49. مدل‌های گرافی در Stan
• 50. مدل‌های پنهان مارکوف در Stan
• 51. مدل‌های شبکه‌ای در Stan
• 52. مدل‌های آماری چندسطحی در Stan
• 53. کاربرد MCMC در علوم زیستی
• 54. کاربرد MCMC در علوم اقتصادی
• 55. کاربرد MCMC در علوم اجتماعی
• 56. کاربرد MCMC در علوم مهندسی
• 57. کاربرد MCMC در علوم پزشکی
• 58. کاربرد MCMC در پژوهش‌های سلامت
• 59. کاربرد MCMC در تحلیل داده‌های پیمایشی
• 60. کاربرد MCMC در مدل‌سازی پیش‌بینی
• 61. مدل‌سازی داده‌های پرت در Stan
• 62. مدل‌سازی داده‌های از دست رفته در Stan
• 63. مدل‌سازی داده‌های طبقه‌بندی شده در Stan
• 64. مدل‌سازی داده‌های رتبه‌بندی شده در Stan
• 65. مدل‌سازی داده‌های بقا در Stan
• 66. مدل‌سازی داده‌های تکراری در Stan
• 67. مدل‌سازی داده‌های پانل در Stan
• 68. مدل‌سازی داده‌های مکانی در Stan
• 69. مدل‌سازی داده‌های زمانی در Stan
• 70. استفاده از Stan برای شبیه‌سازی
• 71. تولید داده‌های شبیه‌سازی شده از مدل Bayesian
• 72. مقایسه نتایج مدل با داده‌های شبیه‌سازی شده
• 73. اشکال‌زدایی مدل‌های Stan
• 74. نکات پیشرفته در کدنویسی Stan
• 75. بهینه‌سازی سرعت اجرای مدل‌های Stan
• 76. استفاده از دستورات پیش‌پردازش در Stan
• 77. استفاده از حلقه‌ها در Stan
• 78. استفاده از شرط‌ها در Stan
• 79. نوشتن توابع سفارشی در Stan
• 80. ادغام Stan با زبان‌های برنامه‌نویسی دیگر (R, Python)
• 81. اتصال Stan به R
• 82. اتصال Stan به Python
• 83. مقدمه‌ای بر مفاهیم پیشرفته Bayesian
• 84. مدل‌های بیزی پیشرفته
• 85. روش‌های نمونه‌برداری پیشرفته
• 86. مدل‌سازی آماری مبتنی بر شواهد
• 87. کاربرد MCMC در تصمیم‌گیری‌های پیچیده
• 88. مبانی اخلاقی در تحلیل داده‌های آماری
• 89. اصول حاکم بر پردازش و تحلیل داده‌ها در نظام اسلامی
• 90. ملاحظات شرعی در استفاده از ابزارهای محاسباتی
• 91. ضوابط ناظر بر انتشار نتایج تحقیقات آماری
• 92. چارچوب‌های قانونی در حوزه داده و اطلاعات
• 93. حفاظت از داده‌ها در سامانه آموزشی