دوره ملاحظات کلیدی در استفاده از Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ملاحظات کلیدی در استفاده از Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نرم‌افزار Stan
• 2. نصب و راه‌اندازی Stan
• 3. مفاهیم اولیه مدل‌سازی بیزی
• 4. مفاهیم پایه آمار استنباطی
• 5. توزیع‌های احتمال در Stan
• 6. توزیع نرمال و کاربردهای آن
• 7. توزیع گاما و کاربردهای آن
• 8. توزیع بتا و کاربردهای آن
• 9. توزیع پواسون و کاربردهای آن
• 10. توزیع دوجمله‌ای و کاربردهای آن
• 11. مدل‌های خطی ساده در Stan
• 12. مدل‌های رگرسیون خطی کلاسیک
• 13. برآورد پارامترها در مدل خطی
• 14. تشخیص و رفع مشکلات مدل خطی
• 15. مدل‌های خطی تعمیم‌یافته (GLM)
• 16. مقدمه‌ای بر GLM
• 17. مدل لاجیت در Stan
• 18. مدل پروبیت در Stan
• 19. مدل پواسون رگرسیون در Stan
• 20. مدل منفی دوجمله‌ای در Stan
• 21. مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 22. مفهوم مدل‌های سلسله‌مراتبی
• 23. مدل اثرات ثابت و تصادفی
• 24. مدل‌های چندسطحی در Stan
• 25. کاربرد مدل‌های سلسله‌مراتبی در علوم
• 26. پیاده‌سازی مدل‌های سلسله‌مراتبی در Stan
• 27. تحلیل سری‌های زمانی با Stan
• 28. مقدمه‌ای بر تحلیل سری‌های زمانی
• 29. مدل‌های ARIMA در Stan
• 30. مدل‌های اتورگرسیو شرطی ناهمسانی واریانس (ARCH/GARCH)
• 31. تحلیل داده‌های فضایی با Stan
• 32. مفاهیم اولیه داده‌های فضایی
• 33. مدل‌های رگرسیون فضایی
• 34. مدل‌های خودهمبستگی فضایی
• 35. پیاده‌سازی مدل‌های فضایی در Stan
• 36. مقدمه‌ای بر مدل‌سازی بقا (Survival Analysis)
• 37. تابع بقا و تابع خطر
• 38. مدل کاکس (Cox Proportional Hazards Model)
• 39. مدل‌های پارامتریک بقا
• 40. پیاده‌سازی مدل‌های بقا در Stan
• 41. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 42. مفاهیم پایه شبکه‌های عصبی
• 43. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 44. شبکه‌های عصبی کانولوشنی (CNN)
• 45. شبکه‌های عصبی بازگشتی (RNN)
• 46. کاربرد شبکه‌های عصبی در داده‌های بیزی
• 47. مقدمه‌ای بر روش‌های مونت کارلو زنجیره مارکوف (MCMC)
• 48. الگوریتم گیبس سمپلینگ (Gibbs Sampling)
• 49. الگوریتم هامینگتونین مونت کارلو (HMC)
• 50. نکات عملی در اجرای MCMC
• 51. ارزیابی همگرایی MCMC
• 52. شاخص‌های ارزیابی همگرایی
• 53. بصری‌سازی نتایج MCMC
• 54. مدل‌سازی عدم قطعیت با Stan
• 55. مفاهیم عدم قطعیت در آمار
• 56. انواع عدم قطعیت
• 57. کاربرد Stan در سنجش عدم قطعیت
• 58. پیش‌بینی با استفاده از Stan
• 59. ارزیابی مدل‌های پیش‌بینی
• 60. اعتبارسنجی متقابل (Cross-validation)
• 61. اعتبارسنجی پیش‌بین (Out-of-sample validation)
• 62. مقدمه‌ای بر بهینه‌سازی در Stan
• 63. بهینه‌سازی بر اساس تابع هدف
• 64. کاربرد بهینه‌سازی در مدل‌سازی
• 65. روش‌های بهینه‌سازی در Stan
• 66. مباحث پیشرفته در Stan
• 67. مدل‌سازی داده‌های گسسته در Stan
• 68. مدل‌سازی داده‌های پیوسته در Stan
• 69. مدل‌سازی داده‌های ترکیبی
• 70. کاربرد Stan در داده‌های بزرگ
• 71. نکات تکمیلی در کدنویسی Stan
• 72. اشکال‌زدایی کدهای Stan
• 73. بهینه‌سازی سرعت اجرای کدها
• 74. استفاده از Stan در پژوهش‌های علمی
• 75. مقایسه Stan با سایر نرم‌افزارها
• 76. ملاحظات اخلاقی در استفاده از مدل‌ها
• 77. کاربرد Stan در اقتصاد اسلامی
• 78. مدل‌سازی عقود اسلامی در Stan
• 79. تحلیل ریسک در نظام بانکی بدون ربا
• 80. مدل‌سازی سرمایه‌گذاری اسلامی
• 81. کاربرد Stan در علوم اجتماعی
• 82. تحلیل داده‌های پیمایشی با Stan
• 83. مدل‌سازی رفتار مصرف‌کننده
• 84. تحلیل شبکه‌های اجتماعی
• 85. کاربرد Stan در علوم سلامت
• 86. مدل‌سازی اپیدمیولوژیک
• 87. تحلیل داده‌های بالینی
• 88. مدل‌سازی پیش‌بینی بیماری
• 89. مقدمه‌ای بر برنامه‌نویسی بیزی
• 90. اصول برنامه‌نویسی بیزی
• 91. ساختار زبان Stan
• 92. نوشتن مدل‌های سفارشی
• 93. مدیریت خروجی‌های Stan
• 94. تجسم نتایج مدل‌ها
• 95. کاربرد Stan در داده‌های سلسله‌مراتبی پیچیده
• 96. مدل‌سازی اثرات متقابل
• 97. مدل‌سازی پویایی سیستم‌ها
• 98. کاربرد Stan در شبیه‌سازی
• 99. تولید داده‌های شبیه‌سازی شده
• 100. آزمون فرضیه‌ها با استفاده از Stan