دوره کاربردهای عملی MCMC در Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربردهای عملی MCMC در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مبانی احتمال و آمار برای MCMC
• 2. مفاهیم کلیدی زنجیره‌های مارکوف
• 3. فرایندهای تصادفی و کاربردهایشان
• 4. مقدمه‌ای بر نمونه‌گیری از توزیع‌های پیچیده
• 5. اصول اساسی الگوریتم‌های MCMC
• 6. روش‌های نمونه‌گیری گام به گام
• 7. معرفی نرم‌افزار Stan
• 8. نصب و پیکربندی Stan
• 9. زبان برنامه‌نویسی Stan: اصول اولیه
• 10. تعریف مدل‌های احتمالاتی در Stan
• 11. توابع چگالی احتمال و چگالی پسین
• 12. کاربرد توابع پیشین در مدل‌سازی
• 13. نمونه‌گیری از توزیع پسین با Stan
• 14. الگوریتم Metropolis-Hastings
• 15. پیاده‌سازی Metropolis-Hastings در Stan
• 16. الگوریتم نمونه‌گیری هامیلتونی مونت کارلو (HMC)
• 17. مبانی HMC و مزایای آن
• 18. پیاده‌سازی HMC در Stan
• 19. نمونه‌گیری از توزیع‌های چندمتغیره
• 20. چالش‌های نمونه‌گیری در ابعاد بالا
• 21. روش‌های بهبود کارایی MCMC
• 22. تشخیص همگرایی در زنجیره‌های مارکوف
• 23. معیارهای ارزیابی همگرایی
• 24. نرمال‌سازی و استانداردسازی داده‌ها
• 25. مدل‌سازی رگرسیونی خطی با Stan
• 26. رگرسیون لجستیک با استفاده از Stan
• 27. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 28. مدل‌های سلسله‌مراتبی در Stan
• 29. کاربرد مدل‌های سلسله‌مراتبی در علوم زیستی
• 30. مدل‌سازی سری‌های زمانی با Stan
• 31. تحلیل داده‌های فضایی با Stan
• 32. مدل‌های مکان‌یابی در Stan
• 33. مقدمه‌ای بر مدل‌های شبکه‌ای
• 34. کاربرد MCMC در مدل‌های شبکه‌ای
• 35. مدل‌سازی پدیده‌های گسسته با Stan
• 36. مدل‌سازی پدیده‌های پیوسته با Stan
• 37. تحلیل بقا با استفاده از Stan
• 38. تحلیل داده‌های پرت با MCMC
• 39. مدل‌سازی عدم قطعیت با Stan
• 40. تفسیر نتایج MCMC
• 41. تجسم نتایج نمونه‌گیری MCMC
• 42. ارزیابی کیفیت مدل‌های Bayesian
• 43. انتخاب بین مدل‌های رقیب
• 44. مقایسه مدل‌ها با استفاده از معیارهای اطلاعاتی
• 45. کاربرد MCMC در علوم اجتماعی
• 46. کاربرد MCMC در علوم اقتصادی
• 47. کاربرد MCMC در مهندسی
• 48. کاربرد MCMC در علوم داده
• 49. مقدمه‌ای بر یادگیری ماشین Bayesian
• 50. مدل‌های گرافیکی احتمالاتی
• 51. کاربرد مدل‌های گرافیکی در Stan
• 52. روش‌های پیشرفته MCMC
• 53. نمونه‌گیری با اهمیت (Importance Sampling)
• 54. کاربرد نمونه‌گیری با اهمیت در Stan
• 55. تکامل الگوریتم‌های MCMC
• 56. مدل‌سازی پویای سیستم‌ها با Stan
• 57. شبیه‌سازی سناریوهای مختلف با MCMC
• 58. بهینه‌سازی پارامترها با استفاده از MCMC
• 59. مدل‌سازی پیش‌بینی با Stan
• 60. ارزیابی پیش‌بینی‌ها
• 61. مدل‌سازی اقتباس‌پذیر (Adaptive MCMC)
• 62. کاربرد MCMC در پردازش تصویر
• 63. کاربرد MCMC در پردازش زبان طبیعی
• 64. مدل‌سازی احتمالاتی برای تشخیص الگو
• 65. مقدمه‌ای بر شبکه‌های عصبی Bayesian
• 66. کاربرد MCMC در یادگیری تقویتی Bayesian
• 67. مدل‌سازی مسائل بهینه‌سازی ترکیبی
• 68. شبیه‌سازی مونت کارلو در Stan
• 69. کاربرد MCMC در تحلیل ریسک
• 70. مدل‌سازی مالی با استفاده از Stan
• 71. تحلیل داده‌های حجیم با MCMC
• 72. ملاحظات محاسباتی در MCMC
• 73. بهینه‌سازی کد Stan
• 74. استفاده از ابزارهای کمکی Stan
• 75. مقدمه‌ای بر زبان برنامه‌نویسی R برای MCMC
• 76. ادغام Stan با R
• 77. کاربرد کتابخانه‌های R برای تجسم نتایج MCMC
• 78. مقدمه‌ای بر زبان برنامه‌نویسی Python برای MCMC
• 79. ادغام Stan با Python
• 80. کاربرد کتابخانه‌های Python برای تجسم نتایج MCMC
• 81. مباحث پیشرفته در مدل‌سازی Bayesian
• 82. مقدمه‌ای بر استنباط علی با MCMC
• 83. کاربرد MCMC در آزمایش‌های کنترل‌شده
• 84. روش‌های نمونه‌گیری از توزیع‌های شرطی
• 85. مدل‌سازی داده‌های ناقص با Stan
• 86. مدل‌سازی داده‌های گمشده با MCMC
• 87. کاربرد MCMC در ارزیابی سیاست‌ها
• 88. مدل‌سازی عوامل پنهان در داده‌ها
• 89. مقدمه‌ای بر یادگیری عمیق Bayesian
• 90. کاربرد MCMC در اکتشاف علمی
• 91. چالش‌های عملی در پیاده‌سازی MCMC
• 92. مدیریت حافظه و محاسبات در MCMC
• 93. آخرین تحولات در الگوریتم‌های MCMC
• 94. کاربرد MCMC در سلامت عمومی
• 95. کاربرد MCMC در مطالعات اجتماعی
• 96. مقدمه‌ای بر مدل‌سازی بیزی برای تصمیم‌گیری
• 97. کاربرد MCMC در تجزیه و تحلیل نظرسنجی‌ها
• 98. مدل‌سازی پیشرفت زمان در داده‌ها
• 99. کاربرد MCMC در تحلیل شبکه‌های اجتماعی
• 100. مدل‌سازی پدیده‌های تصادفی پیچیده