دوره تکنیک‌های اعتبارسنجی مدل‌های آماری در Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های اعتبارسنجی مدل‌های آماری در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر اعتبارسنجی مدل‌های آماری
• 2. مبانی مدل‌سازی آماری در Stan
• 3. نصب و راه‌اندازی Stan
• 4. ساختار زبان Stan
• 5. تعریف مدل‌های خطی در Stan
• 6. مدل‌های رگرسیون لجستیک در Stan
• 7. مدل‌های سری زمانی در Stan
• 8. مدل‌های سلسله‌مراتبی در Stan
• 9. مفاهیم بیزی در Stan
• 10. توزیع‌های پیشین و پسین
• 11. روش‌های نمونه‌برداری مارکوف چین مونت کارلو (MCMC)
• 12. الگوریتم گِبز (Gibbs Sampling)
• 13. الگوریتم هَملتونیَن مونت کارلو (HMC)
• 14. ارزیابی کیفیت نمونه‌برداری MCMC
• 15. نمودارهای سری زمانی نمونه‌ها
• 16. نمودارهای تراکم نمونه‌ها
• 17. آماره‌های خلاصه نمونه‌ها
• 18. شاخص‌های همگرایی
• 19. شاخص R-کروز (Gelman-Rubin Statistic)
• 20. شاخص‌های اتوکورلیشن
• 21. تحلیل نمودارهای پلات
• 22. اعتبارسنجی مدل با استفاده از داده‌های شبیه‌سازی شده
• 23. تولید داده‌های شبیه‌سازی شده از مدل
• 24. مقایسه داده‌های مشاهده شده و شبیه‌سازی شده
• 25. آزمون‌های برازش مدل
• 26. آزمون‌های مبتنی بر باقیمانده‌ها
• 27. آزمون‌های مقایسه‌ای مدل‌ها
• 28. معیارهای اطلاعاتی (AIC, BIC)
• 29. اعتبارسنجی متقابل (Cross-validation)
• 30. اعتبارسنجی متقابل K-Fold
• 31. اعتبارسنجی متقابل LOOCV
• 32. اعتبارسنجی مدل‌های با پیش‌بینی
• 33. مدل‌سازی پیش‌بینی در Stan
• 34. ارزیابی عملکرد پیش‌بینی
• 35. خطای میانگین مربعات (MSE)
• 36. ریشه خطای میانگین مربعات (RMSE)
• 37. خطای مطلق میانگین (MAE)
• 38. شاخص‌های دقت پیش‌بینی
• 39. منحنی ROC و AUC
• 40. کالیبراسیون مدل‌های پیش‌بینی
• 41. اعتبارسنجی مدل‌های سلسله‌مراتبی
• 42. بررسی اثرات تصادفی
• 43. ارزیابی همگرایی در مدل‌های پیچیده
• 44. مدل‌سازی اثرات متقابل
• 45. بررسی مفروضات مدل
• 46. آزمون نرمال بودن باقیمانده‌ها
• 47. آزمون همگنی واریانس باقیمانده‌ها
• 48. آزمون استقلال باقیمانده‌ها
• 49. تشخیص داده‌های پرت (Outliers)
• 50. روش‌های مدیریت داده‌های پرت
• 51. اعتبارسنجی مدل در حضور داده‌های پرت
• 52. مدل‌سازی پیش‌بینی در حضور داده‌های پرت
• 53. اعتبارسنجی مدل‌های با داده‌های گمشده
• 54. روش‌های مدیریت داده‌های گمشده
• 55. مدل‌سازی با داده‌های گمشده در Stan
• 56. اعتبارسنجی مدل‌های با داده‌های گمشده
• 57. اعتبارسنجی مدل‌های خطی تعمیم‌یافته (GLM)
• 58. مدل‌های پواسون (Poisson)
• 59. مدل‌های دوجمله‌ای منفی (Negative Binomial)
• 60. مدل‌های رگرسیون کاکس (Cox Regression)
• 61. اعتبارسنجی مدل‌های بقا
• 62. منحنی برازش بقا
• 63. آزمون‌های مقایسه مدل‌های بقا
• 64. اعتبارسنجی مدل‌های با متغیرهای طبقه‌بندی
• 65. استفاده از شاخص‌های گسسته
• 66. اعتبارسنجی مدل‌های با متغیرهای پیوسته
• 67. اعتبارسنجی مدل‌های با اثرات زمانی
• 68. مدل‌سازی تغییرات زمانی پارامترها
• 69. اعتبارسنجی مدل‌های با اثرات مکانی
• 70. مدل‌سازی اثرات فضایی
• 71. اعتبارسنجی مدل‌های با مدل‌سازی احتمالاتی
• 72. استفاده از توابع احتمال صحیح
• 73. اعتبارسنجی مدل‌های پیچیده در Stan
• 74. بهینه‌سازی کد Stan
• 75. عیب‌یابی مدل‌های Stan
• 76. ملاحظات عملی در اعتبارسنجی مدل
• 77. اهمیت اعتبارسنجی در تصمیم‌گیری
• 78. اعتبارسنجی در علوم اجتماعی
• 79. اعتبارسنجی در علوم زیستی
• 80. اعتبارسنجی در علوم مهندسی
• 81. اعتبارسنجی در علوم اقتصادی
• 82. اعتبارسنجی مدل‌های پیشرفته در Stan
• 83. روش‌های بیزی برای اعتبارسنجی
• 84. اعتبارسنجی مدل‌های خودرگرسیو
• 85. اعتبارسنجی مدل‌های میانگین متحرک
• 86. اعتبارسنجی مدل‌های ARIMA
• 87. اعتبارسنجی مدل‌های فضایی-زمانی
• 88. ملاحظات اخلاقی در اعتبارسنجی مدل
• 89. جمع‌بندی و گام‌های بعدی در اعتبارسنجی
• 90. نمونه‌های کاربردی اعتبارسنجی مدل در Stan
• 91. تحلیل حساسیت مدل
• 92. اعتبارسنجی مدل با استفاده از داده‌های واقعی
• 93. کاربرد اعتبارسنجی در تحقیق و توسعه
• 94. مدیریت ریسک با استفاده از اعتبارسنجی مدل
• 95. تکنیک‌های بصری‌سازی پیشرفته در اعتبارسنجی
• 96. اعتبارسنجی مدل‌های توزیع‌های غیرمعمول
• 97. ساخت گزارش‌های اعتبارسنجی جامع
• 98. اهمیت اعتبارسنجی در تضمین کیفیت
• 99. مطالعات موردی در اعتبارسنجی مدل‌های آماری
• 100. آینده اعتبارسنجی مدل‌های آماری