دوره تنظیمات پیشرفته برای مدل‌های بیزی در Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته برای مدل‌های بیزی در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی بیزی
• 2. مبانی احتمال و آمار
• 3. مقدمه‌ای بر زبان برنامه‌نویسی R
• 4. مبانی زبان برنامه‌نویسی Stan
• 5. نصب و راه‌اندازی Stan
• 6. نوشتن اولین مدل بیزی در Stan
• 7. توزیع‌های احتمال در Stan
• 8. تابع درستنمایی (Likelihood Function)
• 9. تابع پیشین (Prior Function)
• 10. تابع پسین (Posterior Function)
• 11. روش‌های نمونه‌گیری در Stan (MCMC)
• 12. الگوریتم هامیلتونی مونت کارلو (HMC)
• 13. الگوریتم نمونه‌گیری از زنجیره مارکوف (MCMC)
• 14. ارزیابی همگرایی مدل‌های بیزی
• 15. معیارهای ارزیابی همگرایی (R-hat, ESS)
• 16. تشخیص و رفع مشکلات همگرایی
• 17. اعتبارسنجی مدل‌های بیزی
• 18. بررسی پس‌ماندها (Residuals)
• 19. اعتبارسنجی پیش‌بینانه (Predictive Validation)
• 20. مدل‌های خطی بیزی
• 21. رگرسیون خطی بیزی در Stan
• 22. بررسی مفروضات رگرسیون خطی
• 23. مدل‌های رگرسیون لجستیک بیزی
• 24. طبقه‌بندی در مدل‌های بیزی
• 25. مدل‌های رگرسیون پواسون بیزی
• 26. مدل‌سازی داده‌های شمارشی
• 27. مدل‌های رگرسیون منفی دوجمله‌ای بیزی
• 28. انعطاف‌پذیری در مدل‌سازی داده‌های شمارشی
• 29. مدل‌های سلسله‌مراتبی بیزی
• 30. مقدمه‌ای بر مدل‌های سلسله‌مراتبی
• 31. مزایای مدل‌های سلسله‌مراتبی
• 32. پیاده‌سازی مدل‌های سلسله‌مراتبی در Stan
• 33. مدل‌های اثرات ثابت و تصادفی
• 34. مدل‌های اثرات مختلط
• 35. مدل‌های سلسله‌مراتبی برای داده‌های طولی
• 36. مدل‌های سری زمانی بیزی
• 37. مقدمه‌ای بر مدل‌های سری زمانی
• 38. مدل‌های ARIMA بیزی
• 39. مدل‌های حالت-فضا (State-Space Models)
• 40. پیاده‌سازی مدل‌های حالت-فضا در Stan
• 41. مدل‌های فیلتر کالمن بیزی
• 42. مدل‌های غیر پارامتری بیزی
• 43. مقدمه‌ای بر روش‌های غیر پارامتری
• 44. فرآیندهای گوسی (Gaussian Processes)
• 45. کاربرد فرآیندهای گوسی در رگرسیون
• 46. پیاده‌سازی فرآیندهای گوسی در Stan
• 47. شبکه‌های عصبی بیزی
• 48. مقدمه‌ای بر شبکه‌های عصبی
• 49. شبکه‌های عصبی بیزی برای طبقه‌بندی
• 50. شبکه‌های عصبی بیزی برای رگرسیون
• 51. مدل‌های بیزی پیشرفته
• 52. مدل‌های بیزی برای داده‌های خوشه‌ای
• 53. مدل‌های بیزی برای داده‌های مکانی
• 54. مدل‌های بیزی برای شبکه‌ها
• 55. مدل‌های بیزی برای داده‌های گرافی
• 56. مدل‌های بیزی برای داده‌های ناقص
• 57. روش‌های imputation در مدل‌های بیزی
• 58. مدل‌های بیزی برای داده‌های حجیم
• 59. بهینه‌سازی مدل‌های بیزی
• 60. تنظیمات پیشرفته پارامترهای MCMC
• 61. تنظیمات پیشرفته توزیع‌های پیشین
• 62. استفاده از Stan از طریق پایتون (PyStan)
• 63. استفاده از Stan از طریق R (RStan)
• 64. استفاده از CmdStan
• 65. تجسم نتایج مدل‌های بیزی
• 66. رسم نمودارهای پسین (Posterior Plots)
• 67. رسم نمودارهای پیش‌بینی (Prediction Plots)
• 68. رسم نمودارهای حساسیت (Sensitivity Plots)
• 69. مقایسه مدل‌های بیزی
• 70. معیارهای مقایسه مدل‌ها (LOO-CV, WAIC)
• 71. اعتبارسنجی متقابل (Cross-Validation)
• 72. مدل‌سازی بیزی در اقتصاد (با رعایت چارچوب شرعی)
• 73. مدل‌سازی بیزی در علوم اجتماعی (با رعایت چارچوب رسمی)
• 74. مدل‌سازی بیزی در علوم پزشکی (با رعایت پروتکل‌های وزارت بهداشت)
• 75. مدل‌سازی بیزی برای داده‌های زیستی
• 76. مدل‌سازی بیزی برای داده‌های محیطی
• 77. مدل‌سازی بیزی برای داده‌های مالی (با رعایت مقررات بانک مرکزی)
• 78. مدل‌سازی بیزی در هوش مصنوعی
• 79. کاربردهای عملی مدل‌سازی بیزی
• 80. مطالعات موردی در مدل‌سازی بیزی
• 81. نکات و ترفندها در Stan
• 82. اشتباهات رایج در مدل‌سازی بیزی
• 83. روش‌های پیشرفته نمونه‌گیری
• 84. روش‌های مبتنی بر واریانس (Variational Inference)
• 85. مقایسه MCMC و Variational Inference
• 86. مدل‌های بیزی پویا
• 87. مدل‌سازی بیزی برای تصمیم‌گیری
• 88. مدل‌سازی بیزی برای بهینه‌سازی
• 89. مدل‌سازی بیزی در رباتیک
• 90. مدل‌سازی بیزی برای پردازش زبان طبیعی
• 91. مدل‌سازی بیزی برای بینایی ماشین
• 92. اصول اخلاقی در مدل‌سازی بیزی
• 93. مسئولیت‌پذیری در داده‌ها و مدل‌ها
• 94. نحوه نگارش گزارش مدل‌سازی بیزی
• 95. ارائه نتایج مدل‌سازی بیزی
• 96. توسعه مدل‌های بیزی جدید
• 97. آینده مدل‌سازی بیزی