دوره استفاده از Stan for Advanced Analysis همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از Stan for Advanced Analysis

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی آماری در Stan
• 2. نصب و راه‌اندازی Stan
• 3. مبانی زبان Stan
• 4. ساختار کلی برنامه‌های Stan
• 5. تعریف مدل‌های خطی در Stan
• 6. مدل‌های رگرسیون خطی ساده
• 7. مدل‌های رگرسیون خطی چندگانه
• 8. مدل‌های رگرسیون با اثرات ثابت
• 9. مدل‌های رگرسیون با اثرات تصادفی
• 10. مدل‌های سلسله‌مراتبی در Stan
• 11. مقدمه‌ای بر مدل‌های سلسله‌مراتبی
• 12. مدل‌های سلسله‌مراتبی خطی
• 13. مدل‌های سلسله‌مراتبی برای داده‌های دسته‌ای
• 14. مدل‌های سلسله‌مراتبی برای داده‌های پیوسته
• 15. مدل‌های سلسله‌مراتبی برای داده‌های شمارشی
• 16. مدل‌های آماری پیشرفته در Stan
• 17. مدل‌های خطی تعمیم‌یافته (GLMs)
• 18. مدل‌های لجستیک در Stan
• 19. مدل‌های پواسون در Stan
• 20. مدل‌های منفی دوجمله‌ای در Stan
• 21. مدل‌های سری زمانی در Stan
• 22. مدل‌های ARIMA در Stan
• 23. مدل‌های فضایی در Stan
• 24. مدل‌های مدل‌سازی بقا در Stan
• 25. مدل‌های بقا با تابع خطر متغیر
• 26. مدل‌های بقا با رگرسیون کاکس
• 27. مدل‌های پردازش گوسی (Gaussian Processes)
• 28. مقدمه‌ای بر پردازش گوسی
• 29. کاربرد پردازش گوسی در Stan
• 30. مدل‌های بیزی در Stan
• 31. مقدمه‌ای بر استنتاج بیزی
• 32. پیاده‌سازی استنتاج بیزی در Stan
• 33. انتخاب پیشین‌ها (Priors) در Stan
• 34. ارزیابی و انتخاب مدل در Stan
• 35. تشخیص همگرایی زنجیره‌های مارکوف مونت کارلو (MCMC)
• 36. معیارهای ارزیابی همگرایی
• 37. تحلیل پسین‌ها (Posterior Analysis)
• 38. محاسبه فواصل اطمینان بیزی
• 39. مقایسه مدل‌ها با استفاده از معیارهای بیزی
• 40. مدل‌سازی داده‌های گمشده در Stan
• 41. روش‌های imputation در Stan
• 42. مدل‌سازی داده‌های گمشده در مدل‌های سلسله‌مراتبی
• 43. مدل‌سازی داده‌های گمشده در مدل‌های سری زمانی
• 44. بهینه‌سازی پارامترها در Stan
• 45. استفاده از الگوریتم‌های بهینه‌سازی
• 46. تکنیک‌های بهبود کارایی در Stan
• 47. تکنیک‌های نمونه‌برداری پیشرفته
• 48. نمونه‌برداری با نمونه‌گیری اهمیت (Importance Sampling)
• 49. نمونه‌برداری با نمونه‌گیری از متغیرهای پنهان (Latent Variable Sampling)
• 50. کاربردهای عملی Stan
• 51. مدل‌سازی در علوم زیستی
• 52. مدل‌سازی در علوم اجتماعی
• 53. مدل‌سازی در اقتصاد
• 54. مدل‌سازی در مهندسی
• 55. مدل‌سازی در علوم محیطی
• 56. مدل‌سازی داده‌های تصویر در Stan
• 57. مدل‌سازی داده‌های متنی در Stan
• 58. مدل‌سازی شبکه‌های اجتماعی در Stan
• 59. مدل‌سازی تصمیم‌گیری در Stan
• 60. مدل‌سازی ریسک در Stan
• 61. مدل‌سازی مالی در Stan
• 62. مدل‌سازی پیش‌بینی در Stan
• 63. مدل‌سازی اکتشافی در Stan
• 64. مدل‌سازی داده‌های بزرگ در Stan
• 65. مدل‌سازی ترکیبی در Stan
• 66. مدل‌سازی پویا در Stan
• 67. مدل‌سازی فضایی-زمانی در Stan
• 68. مدل‌سازی داده‌های هتروسکداسیک در Stan
• 69. مدل‌سازی داده‌های با توزیع‌های غیرمعمول
• 70. مدل‌سازی داده‌های ترتیبی در Stan
• 71. مدل‌سازی داده‌های داده‌بنیان در Stan
• 72. مدل‌سازی داده‌های ناهمگن در Stan
• 73. مدل‌سازی داده‌های پویا با تغییرات ساختاری
• 74. مدل‌سازی داده‌های پرت در Stan
• 75. مدل‌سازی داده‌های با وابستگی زمانی
• 76. مدل‌سازی داده‌های با وابستگی مکانی
• 77. مدل‌سازی داده‌های با ساختار پیچیده
• 78. مدل‌سازی داده‌های چندسطحی در Stan
• 79. مدل‌سازی داده‌های طولانی‌مدت در Stan
• 80. مدل‌سازی داده‌های پانل در Stan
• 81. مدل‌سازی داده‌های رخداد در Stan
• 82. مدل‌سازی داده‌های فرآیندی در Stan
• 83. مدل‌سازی داده‌های بقا با عوامل پیش‌بین
• 84. مدل‌سازی داده‌های توزیع یافته در Stan
• 85. مدل‌سازی داده‌های ناظر در Stan
• 86. مدل‌سازی داده‌های ساختاریافته در Stan
• 87. مدل‌سازی داده‌های ناپیوسته در Stan
• 88. مدل‌سازی داده‌های با کیفیت پایین در Stan
• 89. مدل‌سازی داده‌های چندبعدی در Stan
• 90. مدل‌سازی داده‌های بزرگ با محدودیت‌های محاسباتی
• 91. مدل‌سازی داده‌های واقعی در Stan
• 92. مدل‌سازی داده‌های شبیه‌سازی شده در Stan
• 93. مدل‌سازی داده‌های با عدم قطعیت بالا
• 94. مدل‌سازی داده‌های با ابعاد بالا
• 95. مدل‌سازی داده‌های با ساختار غیرخطی
• 96. مدل‌سازی داده‌های با دینامیک پیچیده
• 97. مدل‌سازی داده‌های با اثرات متقابل
• 98. مدل‌سازی داده‌های با ساختار زمانی-مکانی
• 99. مدل‌سازی داده‌های با تکیه‌بر دانش تخصصی