دوره مخاطرات و تنظیمات اساسی در Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مخاطرات و تنظیمات اساسی در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مبانی و اصول اولیه نرم‌افزار Stan
• 2. نصب و راه‌اندازی Stan در محیط‌های مختلف
• 3. آشنایی با زبان برنامه‌نویسی Stan
• 4. انواع مدل‌های آماری قابل پیاده‌سازی در Stan
• 5. مفاهیم پایه مدل‌سازی بیزی
• 6. شرح فرآیند استنتاج بیزی
• 7. مفهوم توزیع پیشین و پسین
• 8. نحوه تعریف توزیع‌های پیشین در Stan
• 9. تعریف تابع درست‌نمایی در Stan
• 10. نوشتن مدل‌های خطی ساده در Stan
• 11. مدل‌های رگرسیون خطی بیزی
• 12. مدل‌های رگرسیون لجستیک بیزی
• 13. مدل‌های سری زمانی ساده در Stan
• 14. مدل‌های سلسله مراتبی (Hierarchical Models)
• 15. مفهوم اثرات تصادفی (Random Effects)
• 16. پیاده‌سازی مدل‌های سلسله مراتبی در Stan
• 17. مدل‌های چندسطحی (Multilevel Models)
• 18. مدل‌های اثرات مختلط (Mixed Effects Models)
• 19. مدل‌های مبتنی بر توزیع گاما در Stan
• 20. مدل‌های مبتنی بر توزیع بتا در Stan
• 21. مدل‌های مبتنی بر توزیع پواسون در Stan
• 22. مدل‌های مبتنی بر توزیع دوجمله‌ای منفی در Stan
• 23. مدل‌های مبتنی بر توزیع کای-دو در Stan
• 24. مدل‌های مبتنی بر توزیع t در Stan
• 25. مدل‌های مبتنی بر توزیع نرمال چندمتغیره
• 26. مدل‌های فضای حالت (State-Space Models)
• 27. مدل‌های پیش‌بینی در Stan
• 28. ارزیابی و مقایسه مدل‌ها در Stan
• 29. متریک‌های ارزیابی مدل‌های بیزی
• 30. شاخص اطلاعات آکائیکه بیزی (BIC)
• 31. شاخص اطلاعات کریتریون آکائیکه اصلاح شده (AICc)
• 32. شاخص اطلاعات کریتریون آکائیکه (AIC)
• 33. شاخص اطلاعات کریتریون پسین (DIC)
• 34. شاخص اطلاعات پیش‌بینی کریتریون (LOO-CV)
• 35. اعتبارسنجی متقابل (Cross-Validation)
• 36. بررسی همگرایی زنجیره‌های مارکوف مونت کارلو (MCMC)
• 37. نمودارهای trace plot
• 38. نمودارهای autocorrelation plot
• 39. آمار R-hat (Gelmen-Rubin statistic)
• 40. بررسی مستقل بودن نمونه‌ها
• 41. تکنیک‌های نمونه‌برداری در Stan
• 42. نمونه‌برداری از طریق گام‌های هامیلتونی (HMC)
• 43. نمونه‌برداری از طریق گام‌های هامیلتونی تصادفی (NUTS)
• 44. بهینه‌سازی پارامترهای HMC/NUTS
• 45. مدیریت داده‌های پرت (Outliers)
• 46. تحلیل حساسیت مدل (Sensitivity Analysis)
• 47. شبیه‌سازی از مدل (Model Simulation)
• 48. بررسی فرض‌های مدل
• 49. مدل‌سازی داده‌های گمشده (Missing Data)
• 50. روش‌های imputation در Stan
• 51. پیاده‌سازی مدل‌های پویا (Dynamic Models)
• 52. مدل‌های مبتنی بر فرآیندهای گوسی (Gaussian Processes)
• 53. مدل‌های مبتنی بر شبکه‌های عصبی (Neural Networks)
• 54. مدل‌های مبتنی بر ماشین‌های بردار پشتیبان (SVM)
• 55. مدل‌های مبتنی بر درخت‌های تصمیم (Decision Trees)
• 56. مدل‌های مبتنی بر جنگل‌های تصادفی (Random Forests)
• 57. مدل‌های مبتنی بر تقویت گرادیان (Gradient Boosting)
• 58. مدل‌های مبتنی بر یادگیری عمیق (Deep Learning)
• 59. کاربرد Stan در علوم زیستی
• 60. کاربرد Stan در اقتصاد و مالی
• 61. کاربرد Stan در علوم اجتماعی
• 62. کاربرد Stan در مهندسی
• 63. کاربرد Stan در علوم محیطی
• 64. کاربرد Stan در پزشکی و سلامت
• 65. کاربرد Stan در علوم داده
• 66. طراحی آزمایش‌ها و مطالعات در Stan
• 67. بهینه‌سازی طراحی آزمایش‌ها
• 68. تحلیل نتایج آزمایش‌ها
• 69. پیاده‌سازی الگوریتم‌های بهینه‌سازی در Stan
• 70. بهینه‌سازی توابع هدف
• 71. روش‌های جستجوی بهینه
• 72. بهینه‌سازی با استفاده از گرادیان
• 73. بهینه‌سازی بدون استفاده از گرادیان
• 74. کاربرد Stan در مدل‌سازی آماری پیشرفته
• 75. مدل‌های آماری پیش‌بینی‌کننده
• 76. مدل‌های آماری تشخیصی
• 77. مدل‌های آماری توضیحی
• 78. مدل‌های آماری اکتشافی
• 79. مدل‌های آماری اقتباسی
• 80. مدل‌های آماری تطبیقی
• 81. مدل‌های آماری پویایی‌شناختی
• 82. مدل‌های آماری علّی
• 83. مدل‌های آماری ساختاری
• 84. مدل‌های آماری مقایسه‌ای
• 85. مدل‌های آماری پیش‌گویانه
• 86. مدل‌های آماری پیش‌بین
• 87. مدل‌های آماری پیش‌بینی
• 88. مدل‌های آماری پیش‌بینی‌کننده
• 89. مدل‌های آماری پیش‌بینی‌گر
• 90. مدل‌های آماری پیش‌بینی‌کننده
• 91. مدل‌های آماری پیش‌بینی‌کننده
• 92. مدل‌های آماری پیش‌بینی‌کننده
• 93. مدل‌های آماری پیش‌بینی‌کننده
• 94. مدل‌های آماری پیش‌بینی‌کننده
• 95. مدل‌های آماری پیش‌بینی‌کننده
• 96. مدل‌های آماری پیش‌بینی‌کننده