دوره رفع مشکلات رایج در مدل‌سازی با Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رفع مشکلات رایج در مدل‌سازی با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مبانی مدل‌سازی آماری در Stan
• 2. ساختار زبان Stan
• 3. انواع مدل‌های خطی در Stan
• 4. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 5. مدل‌های سلسله‌مراتبی در Stan
• 6. مقدمه‌ای بر مدل‌های خطای تصادفی
• 7. مدل‌های اثرات ثابت و تصادفی
• 8. مدل‌های چندسطحی با اثرات تصادفی
• 9. مدل‌سازی داده‌های سری زمانی در Stan
• 10. مدل‌های ARIMA در Stan
• 11. مدل‌های خودرگرسیو شرطی ناهمسانی واریانس (ARCH/GARCH)
• 12. مدل‌سازی داده‌های مکانی در Stan
• 13. مقدمه‌ای بر مدل‌های مکانی
• 14. مدل‌های خودهمبستگی مکانی
• 15. مدل‌های ناهمگنی مکانی
• 16. مدل‌سازی داده‌های بقا در Stan
• 17. مدل‌های کاکس تناسبی در Stan
• 18. مدل‌های پارامتری بقا
• 19. مدل‌سازی داده‌های طبقه‌بندی در Stan
• 20. مدل‌های لجستیک در Stan
• 21. مدل‌های پروبیت در Stan
• 22. مدل‌های طبقه‌بندی چندگانه
• 23. مدل‌سازی داده‌های شمارشی در Stan
• 24. مدل‌های پواسون در Stan
• 25. مدل‌های دوجمله‌ای منفی
• 26. مدل‌سازی پدیده‌های نادر
• 27. مقدمه‌ای بر روش‌های بیزی در Stan
• 28. قضیه بیز و استنتاج بیزی
• 29. توزیع‌های پیشین و پسین
• 30. نمونه‌گیری از توزیع پسین
• 31. روش‌های مونت کارلو زنجیره مارکوف (MCMC)
• 32. الگوریتم گیبس
• 33. الگوریتم متروپولیس-هستینگز
• 34. تشخیص همگرایی در MCMC
• 35. ارزیابی مدل‌های بیزی
• 36. معیارهای اطلاعاتی بیزی (DIC, WAIC)
• 37. اعتبارسنجی متقابل مدل‌های بیزی
• 38. مقدمه‌ای بر بهینه‌سازی در Stan
• 39. روش‌های بهینه‌سازی بیزی
• 40. بهینه‌سازی با استفاده از گرادیان
• 41. روش‌های گرادیان نزولی تصادفی
• 42. کاربرد بهینه‌سازی در مدل‌سازی
• 43. بهینه‌سازی تابع هدف
• 44. بهینه‌سازی با محدودیت
• 45. مدل‌سازی داده‌های با ابعاد بالا
• 46. مقدمه‌ای بر تحلیل مولفه‌های اصلی (PCA)
• 47. مدل‌سازی مولفه‌های اصلی بیزی
• 48. مدل‌سازی عامل پنهان در Stan
• 49. تحلیل عامل اکتشافی و تاییدی
• 50. مدل‌سازی عامل پنهان با ساختار سلسله‌مراتبی
• 51. مقدمه‌ای بر شبکه‌های عصبی در Stan
• 52. شبکه‌های عصبی پیشخور (Feedforward)
• 53. آموزش شبکه‌های عصبی با Stan
• 54. شبکه‌های عصبی بازگشتی (RNN)
• 55. شبکه‌های عصبی کانولوشنی (CNN)
• 56. کاربرد شبکه‌های عصبی در پیش‌بینی
• 57. مدل‌سازی عدم قطعیت در پیش‌بینی
• 58. تحلیل حساسیت پارامترها
• 59. تحلیل سناریو
• 60. مدل‌سازی داده‌های ناقص
• 61. روش‌های جایگزینی مقادیر (Imputation)
• 62. مدل‌سازی با داده‌های ناقص بیزی
• 63. مدل‌سازی داده‌های پرت (Outlier)
• 64. تشخیص و مدیریت داده‌های پرت
• 65. مدل‌سازی مقاوم در برابر داده‌های پرت
• 66. مقدمه‌ای بر یادگیری تقویتی در Stan
• 67. مفاهیم پایه یادگیری تقویتی
• 68. یادگیری تقویتی با مدل‌سازی بیزی
• 69. کاربرد یادگیری تقویتی در تصمیم‌گیری
• 70. مدل‌سازی اقتصادسنجی در Stan
• 71. مدل‌های معادلات همزمان
• 72. مدل‌های پانل دیتا در Stan
• 73. مدل‌های پانل دیتا با اثرات ثابت و تصادفی
• 74. مدل‌سازی مالی در Stan
• 75. مدل‌سازی ریسک اعتباری
• 76. مدل‌سازی پرتفوی
• 77. مدل‌سازی سری زمانی مالی
• 78. مدل‌سازی داده‌های زیست‌استاندارد در Stan
• 79. مدل‌های سنجش دوز-پاسخ
• 80. مدل‌سازی داده‌های اپیدمیولوژیک
• 81. مدل‌سازی انتشار بیماری
• 82. مدل‌سازی بقای بیماران
• 83. مدل‌سازی داده‌های محیط زیست در Stan
• 84. مدل‌سازی کیفیت هوا
• 85. مدل‌سازی تغییرات اقلیمی
• 86. مدل‌سازی تنوع زیستی
• 87. بهینه‌سازی منابع در Stan
• 88. مدل‌سازی تخصیص منابع
• 89. مدل‌سازی مدیریت پروژه
• 90. مدل‌سازی زنجیره تامین
• 91. مقدمه‌ای بر مدل‌سازی آماری پیشرفته
• 92. مدل‌های گرافیکی در Stan
• 93. مدل‌های مارکوف پنهان در Stan
• 94. مدل‌سازی داده‌های شبکه‌ای
• 95. مدل‌سازی یادگیری ماشین پیشرفته در Stan
• 96. مدل‌سازی یادگیری عمیق با Stan
• 97. تکنیک‌های پیشرفته در MCMC
• 98. شبیه‌سازی معکوس در Stan
• 99. مدل‌سازی آماری برای علم داده
• 100. ارزیابی عملکرد مدل‌های آماری