دوره مدیریت مخاطرات در اجرای MCMC با Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت مخاطرات 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 مدل‌سازی آماری بیزی
• 2. مبانی زنجیره‌های مارکوف مونت کارلو (MCMC)
• 3. نصب و راه‌اندازی نرم‌افزار Stan
• 4. آشنایی با زبان برنامه‌نویسی Stan
• 5. ساختار کلی برنامه‌های Stan
• 6. تعریف مدل‌های احتمالاتی در Stan
• 7. توابع چگالی احتمال (PDF) در Stan
• 8. توابع توزیع تجمعی (CDF) در Stan
• 9. توزیع‌های پیشین (Prior Distributions)
• 10. توزیع‌های پسین (Posterior Distributions)
• 11. انتخاب توزیع‌های پیشین مناسب
• 12. توزیع نرمال و کاربردهای آن در Stan
• 13. توزیع اپسیلون و کاربردهای آن در Stan
• 14. توزیع گاما و کاربردهای آن در Stan
• 15. توزیع بتا و کاربردهای آن در Stan
• 16. توزیع پواسون و کاربردهای آن در Stan
• 17. توزیع نمایی و کاربردهای آن در Stan
• 18. توزیع یکنواخت و کاربردهای آن در Stan
• 19. توزیع کای-دو و کاربردهای آن در Stan
• 20. توزیع t استیودنت و کاربردهای آن در Stan
• 21. توزیع کاشی و کاربردهای آن در Stan
• 22. توزیع‌های گسسته در Stan
• 23. توزیع برنولی در Stan
• 24. توزیع دوجمله‌ای در Stan
• 25. توزیع هندسی در Stan
• 26. توزیع فوق‌هندسی در Stan
• 27. توزیع پواسون تعمیم‌یافته در Stan
• 28. مدل‌های خطی تعمیم‌یافته (GLMs) در Stan
• 29. رگرسیون خطی در Stan
• 30. رگرسیون لجستیک در Stan
• 31. رگرسیون پواسون در Stan
• 32. رگرسیون گاما در Stan
• 33. مدل‌های سلسله‌مراتبی در Stan
• 34. مقدمه‌ای بر مدل‌های سلسله‌مراتبی
• 35. مثال‌هایی از مدل‌های سلسله‌مراتبی
• 36. پیاده‌سازی مدل‌های سلسله‌مراتبی در Stan
• 37. مدل‌های آماری برای داده‌های سری زمانی
• 38. مدل‌های ARIMA در Stan
• 39. مدل‌های رگرسیون سری زمانی در Stan
• 40. مدل‌های فضایی در Stan
• 41. مقدمه‌ای بر مدل‌های فضایی
• 42. مدل‌های فضایی خطی در Stan
• 43. مدل‌های فضایی غیرخطی در Stan
• 44. مدل‌های تشخیص و طبقه‌بندی در Stan
• 45. مدل‌های درخت تصمیم در Stan
• 46. مدل‌های جنگل تصادفی در Stan
• 47. مدل‌های ماشین بردار پشتیبان (SVM) در Stan
• 48. مدل‌های شبکه‌های عصبی در Stan
• 49. مقدمه‌ای بر شبکه‌های عصبی
• 50. پیاده‌سازی شبکه‌های عصبی ساده در Stan
• 51. مدل‌های پیش‌بینی در Stan
• 52. ارزیابی مدل‌های پیش‌بینی
• 53. معیارهای ارزیابی مدل
• 54. اعتبارسنجی متقابل (Cross-validation)
• 55. تنظیم ابرپارامترها (Hyperparameter tuning)
• 56. روش‌های نمونه‌برداری MCMC
• 57. الگوریتم گیبس (Gibbs Sampling)
• 58. الگوریتم MCMC با گام‌های هماهنگ (HMC)
• 59. الگوریتم MCMC با گام‌های تصادفی (RMH)
• 60. متروپلیس-هستینگز (Metropolis-Hastings)
• 61. تشخیص همگرایی در MCMC
• 62. نمودارهای گام‌به‌گام (Trace plots)
• 63. آماره‌های گلدفوت-وِینبرگ (Gelman-Rubin statistic)
• 64. خودهمبستگی متقابل (Autocorrelation)
• 65. کاهش واریانس نمونه‌گیری (Variance reduction)
• 66. بهینه‌سازی کد Stan
• 67. تکنیک‌های پیشرفته در Stan
• 68. استفاده از تابع 'generated quantities'
• 69. استفاده از تابع 'log_prob'
• 70. مدل‌سازی داده‌های گمشده در Stan
• 71. مدل‌سازی داده‌های پرت در Stan
• 72. مدل‌سازی داده‌های خوشه‌ای در Stan
• 73. مدل‌سازی داده‌های تودرتو در Stan
• 74. پیاده‌سازی مدل‌های پیچیده در Stan
• 75. مخاطرات رایج در اجرای MCMC
• 76. مشکلات همگرایی الگوریتم‌ها
• 77. انتخاب پارامترهای الگوریتم MCMC
• 78. تفسیر نتایج MCMC
• 79. ارائه گزارش نتایج مدل‌سازی بیزی
• 80. کاربرد MCMC در علوم داده
• 81. کاربرد MCMC در اقتصادسنجی
• 82. کاربرد MCMC در آمار زیستی
• 83. کاربرد MCMC در مهندسی
• 84. کاربرد MCMC در علوم اجتماعی
• 85. کاربرد MCMC در مدیریت مخاطرات
• 86. مدیریت ریسک با استفاده از مدل‌های بیزی
• 87. تحلیل حساسیت در مدل‌های بیزی
• 88. تحلیل سناریو در مدل‌های بیزی
• 89. پیش‌بینی و مدیریت عدم قطعیت
• 90. اصول اخلاقی در مدل‌سازی آماری
• 91. ملاحظات قانونی در استفاده از داده‌ها
• 92. مسئولیت‌پذیری در نتایج مدل‌سازی
• 93. آموزش پیشرفته MCMC با Stan
• 94. پروژه‌های عملی MCMC در Stan