دوره راهنمای جامع برای تنظیم MCMC در Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع برای تنظیم MCMC در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های مونت کارلو زنجیره مارکوف
• 2. مبانی احتمال و آمار برای MCMC
• 3. مفاهیم بیزی و استنتاج بیزی
• 4. نظریه احتمالات شرطی و احتمال پسین
• 5. توزیع‌های پیشین و پسین
• 6. مقدمه‌ای بر زبان برنامه‌نویسی Stan
• 7. نصب و راه‌اندازی Stan
• 8. نحو پایه Stan
• 9. تعریف مدل‌های احتمالاتی در Stan
• 10. توابع چگالی احتمال در Stan
• 11. توزیع‌های نرمال، یکنواخت و گاما در Stan
• 12. توزیع‌های بتا، کای‌دو و t استیودنت در Stan
• 13. تعریف متغیرهای تصادفی و پارامترها در Stan
• 14. نوشتن کد مدل‌های ساده در Stan
• 15. استفاده از دستورات شرطی در Stan
• 16. حلقه‌ها و دستورات تکرار در Stan
• 17. پیاده‌سازی مدل‌های خطی ساده در Stan
• 18. مدل‌های رگرسیون خطی بیزی
• 19. تفسیر خروجی‌های Stan
• 20. متریک‌های ارزیابی کیفیت MCMC
• 21. تشخیص همگرایی زنجیره‌ها
• 22. راهنمای بصری همگرایی
• 23. روش‌های تشخیص همگرایی آماری
• 24. عیب‌یابی مدل‌های Stan
• 25. بهینه‌سازی کد Stan
• 26. روش‌های پیشرفته‌تر MCMC
• 27. معرفی الگوریتم گیبس
• 28. پیاده‌سازی الگوریتم گیبس در Stan
• 29. معرفی الگوریتم Metropolis-Hastings
• 30. پیاده‌سازی Metropolis-Hastings در Stan
• 31. الگوریتم نمونه‌برداری از طریق تبدیل
• 32. پیاده‌سازی نمونه‌برداری از طریق تبدیل در Stan
• 33. تکنیک‌های نمونه‌برداری پیشرفته
• 34. نمونه‌برداری از طریق تغییر متغیر
• 35. نمونه‌سازی متوالی مارکوف
• 36. نمونه‌برداری با تبدیل حالت
• 37. نمونه‌برداری با استفاده از گرادیان
• 38. الگوریتم NUTS
• 39. پیاده‌سازی NUTS در Stan
• 40. بهینه‌سازی پارامترهای NUTS
• 41. مدل‌های سلسله مراتبی
• 42. مقدمه‌ای بر مدل‌های سلسله مراتبی
• 43. پیاده‌سازی مدل‌های سلسله مراتبی در Stan
• 44. مدل‌های اثرات ثابت و تصادفی
• 45. مدل‌های اثرات مختلط در Stan
• 46. مدل‌های سری زمانی بیزی
• 47. مدل‌های ARIMA بیزی در Stan
• 48. مدل‌های فضای حالت بیزی
• 49. مدل‌های پیش‌بینی در Stan
• 50. روش‌های ارزیابی مدل‌های پیش‌بینی
• 51. مدل‌های خطای طبقه‌بندی در Stan
• 52. مدل‌های رگرسیون لجستیک بیزی
• 53. مدل‌های پواسون و دوجنبه‌ای در Stan
• 54. مدل‌های بقا در Stan
• 55. مدل‌های داده‌های گمشده در Stan
• 56. استنتاج بیزی برای داده‌های گمشده
• 57. مدل‌های MCMC برای داده‌های گمشده
• 58. مدل‌های شبکه‌ای بیزی
• 59. کاربرد شبکه‌های بیزی در Stan
• 60. مدل‌های مدل‌سازی ساختاری در Stan
• 61. مدل‌های عاملی در Stan
• 62. مدل‌های عامل پنهان در Stan
• 63. مدل‌های معادلات ساختاری بیزی
• 64. مدل‌های خوشه‌بندی بیزی
• 65. کاربرد MCMC در خوشه‌بندی
• 66. مدل‌های MCMC برای تحلیل آماری داده‌های پیمایشی
• 67. کاربرد MCMC در تحلیل داده‌های پزشکی
• 68. مدل‌های سلامت عمومی در Stan
• 69. مدل‌های اقتصادی در Stan
• 70. مدل‌های مالی در Stan
• 71. مدل‌های سیاست‌گذاری در Stan
• 72. مدل‌های زیست‌محیطی در Stan
• 73. مدل‌های علوم اجتماعی در Stan
• 74. مدل‌های یادگیری ماشین بیزی
• 75. شبکه‌های عصبی بیزی در Stan
• 76. ماشین‌های بردار پشتیبان بیزی
• 77. مدل‌های MCMC برای پردازش تصویر
• 78. مدل‌های MCMC برای پردازش زبان طبیعی
• 79. مقدمه‌ای بر اعتبار سنجی مدل
• 80. اعتبارسنجی متقابل در Stan
• 81. اعتبارسنجی مدل با استفاده از داده‌های جدید
• 82. روش‌های مقایسه مدل‌ها
• 83. انتخاب مدل بر اساس معیارهای بیزی
• 84. استفاده از شبیه‌سازی برای اعتبار سنجی
• 85. مدل‌های خطاهای پرتکرار در Stan
• 86. مدل‌های داده‌های پرت در Stan
• 87. مدل‌های MCMC برای تحلیل داده‌های طولانی‌مدت
• 88. کاربرد MCMC در تحلیل داده‌های ژنتیکی
• 89. مدل‌های MCMC برای تحلیل داده‌های فیزیکی
• 90. مدل‌های MCMC برای تحلیل داده‌های مهندسی
• 91. مطالعات موردی پیشرفته در Stan
• 92. تکنیک‌های نمونه‌گیری پیشرفته برای مدل‌های پیچیده
• 93. مقدمه‌ای بر محاسبات موازی در Stan
• 94. استفاده از Stan با ابزارهای محاسبات توزیع‌شده
• 95. بهینه‌سازی عملکرد MCMC
• 96. مدیریت حافظه و محاسبات در Stan
• 97. نکات پیشرفته برای نوشتن مدل‌های Stan
• 98. مقدمه‌ای بر ابزارهای بصری‌سازی پیشرفته
• 99. تفسیر نتایج مدل‌های پیچیده
• 100. کاربرد MCMC در تحقیقات علمی