دوره راهنمای جامع برای مدل‌سازی با Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع برای مدل‌سازی با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمات مدل‌سازی آماری و احتمال
• 2. مفاهیم اولیه آمار استنباطی
• 3. مقدمه‌ای بر زبان برنامه‌نویسی R
• 4. نصب و پیکربندی Stan
• 5. آشنایی با زبان Stan
• 6. ساختار کلی یک مدل Stan
• 7. متغیرهای داده و پارامترها در Stan
• 8. توابع چگالی احتمال در Stan
• 9. توزیع‌های رایج در مدل‌سازی
• 10. مدل‌های خطی ساده در Stan
• 11. رگرسیون خطی چندگانه با Stan
• 12. مدل‌های لجستیک در Stan
• 13. مدل‌های پواسون برای داده‌های شمارشی
• 14. مدل‌های گوسی برای داده‌های پیوسته
• 15. مقدمه‌ای بر مدل‌های سلسله مراتبی
• 16. مدل‌های اثرات تصادفی در Stan
• 17. مدل‌های اثرات ثابت در Stan
• 18. مدل‌های مختلط در Stan
• 19. استفاده از پیشین‌های اطلاعاتی در Stan
• 20. انتخاب پیشین‌های مناسب
• 21. اهمیت پیشین‌های غیرمطلع
• 22. مدل‌سازی با توزیع نرمال چندمتغیره
• 23. مدل‌سازی با توزیع t استیودنت
• 24. مدل‌سازی با توزیع گاما
• 25. مدل‌سازی با توزیع بتا
• 26. مدل‌سازی سری‌های زمانی خطی
• 27. مدل‌های ARIMA در Stan
• 28. مدل‌سازی فضایی در Stan
• 29. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 30. الگوریتم گیبس سمپلینگ
• 31. الگوریتم Metropolis-Hastings
• 32. نکات عملی در اجرای MCMC
• 33. ارزیابی همگرایی زنجیره‌ها
• 34. معیارهای همگرایی (Gelman-Rubin)
• 35. تشخیص دوره‌های پیش از همگرایی
• 36. نمودارهایtrace و autocorrelation
• 37. تفسیر نتایج MCMC
• 38. توزیع پسین پارامترها
• 39. فاصله‌های اطمینان بیزی
• 40. محاسبه آماره‌های پسین
• 41. مدل‌سازی پیش‌بینی
• 42. پیش‌بینی با استفاده از توزیع پسین
• 43. ارزیابی کیفیت مدل پیش‌بینی
• 44. اعتبارسنجی متقابل در مدل‌سازی بیزی
• 45. مقایسه مدل‌ها با استفاده از معیارهای بیزی
• 46. معیار اطلاعات بیزی (BIC)
• 47. معیار اطلاعات آکائیکه بیزی (WAIC)
• 48. معیار اطلاعات کرایتریون پیش‌بینی پسین (LOO-CV)
• 49. مدل‌سازی داده‌های گمشده در Stan
• 50. روش‌های imputation در Stan
• 51. مدل‌سازی داده‌های پرت
• 52. شناسایی و مدیریت داده‌های پرت
• 53. مدل‌سازی با استفاده از توزیع‌های ترکیبی
• 54. مدل‌سازی با توزیع‌های ناپارامتری
• 55. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 56. پیاده‌سازی GLM در Stan
• 57. مدل‌سازی بقا در Stan
• 58. مدل‌های کاکس تناسبی در Stan
• 59. مدل‌سازی داده‌های خوشه‌ای
• 60. مدل‌سازی با اثرات متقابل
• 61. کاربرد Stan در علوم زیستی
• 62. کاربرد Stan در علوم اجتماعی
• 63. کاربرد Stan در اقتصاد
• 64. کاربرد Stan در مهندسی
• 65. مدل‌سازی شبکه‌های اجتماعی در Stan
• 66. مدل‌سازی گراف در Stan
• 67. مقدمه‌ای بر بهینه‌سازی بیزی
• 68. بهینه‌سازی پارامترها با Stan
• 69. مدل‌سازی داده‌های رتبه‌بندی
• 70. مدل‌سازی داده‌های دوتایی
• 71. مدل‌سازی داده‌های ترتیبی
• 72. مدل‌سازی داده‌های تابعی
• 73. مقدمه‌ای بر یادگیری ماشین بیزی
• 74. شبکه‌های عصبی بیزی در Stan
• 75. ماشین‌های بردار پشتیبان بیزی در Stan
• 76. مدل‌سازی با استفاده از مدل‌های گرافیکی احتمالاتی
• 77. مدل‌سازی درخت تصمیم بیزی
• 78. مدل‌سازی جنگل تصادفی بیزی
• 79. مدل‌سازی آماری برای اکتشاف داده
• 80. روش‌های اکتشافی در مدل‌سازی
• 81. مدل‌سازی داده‌های حجیم
• 82. بهینه‌سازی عملکرد کد Stan
• 83. تکنیک‌های موازی‌سازی در Stan
• 84. مدیریت حافظه در مدل‌های بزرگ
• 85. اشکال‌زدایی مدل‌های پیچیده Stan
• 86. مستندسازی مدل‌های Stan
• 87. اشتراک‌گذاری مدل‌های Stan
• 88. مقدمه‌ای بر ابزارهای مرتبط با Stan
• 89. بسته‌های R برای کار با Stan
• 90. بسته‌های Python برای کار با Stan
• 91. مقدمه‌ای بر مفاهیم پیشرفته آماری
• 92. اصول مدل‌سازی علّی در Stan
• 93. مدل‌سازی با ساختارهای سببی
• 94. مقدمه‌ای بر تحلیل حساسیت در مدل‌سازی
• 95. ارزیابی عدم قطعیت در مدل‌ها
• 96. مدل‌سازی ریاضی برای مسائل واقعی
• 97. نکات تکمیلی در استفاده از Stan
• 98. مرور جامع مفاهیم آماری بیزی
• 99. آموزش پروژه‌محور با Stan