دوره راهنمای جامع for Modeling with Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع for Modeling with Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه ای بر مدل سازی آماری بیزی
• 2. مفاهیم پایه احتمالات و آمار
• 3. انواع توزیع های احتمال
• 4. مقدمه ای بر زبان برنامه نویسی R
• 5. نصب و پیکربندی R و RStudio
• 6. مفاهیم پایه در R
• 7. کار با داده ها در R
• 8. مقدمه ای بر زبان برنامه نویسی Python
• 9. نصب و پیکربندی Python و IDE
• 10. مفاهیم پایه در Python
• 11. کار با داده ها در Python
• 12. مقدمه ای بر نرم افزار Stan
• 13. نصب و پیکربندی Stan
• 14. مبانی زبان مدل سازی Stan
• 15. نوشتن اولین مدل ساده در Stan
• 16. تفسیر خروجی Stan
• 17. مقدمه ای بر مدل های خطی تعمیم یافته
• 18. مدل های رگرسیون خطی در Stan
• 19. مدل های رگرسیون لجستیک در Stan
• 20. مدل های رگرسیون پواسون در Stan
• 21. مقدمه ای بر مدل های سلسله مراتبی
• 22. مدل های سلسله مراتبی در Stan
• 23. مدل های رگرسیون سلسله مراتبی
• 24. مدل های طبقه بندی سلسله مراتبی
• 25. مدل های اثرات مختلط
• 26. مدل های اثرات مختلط در Stan
• 27. مدل های سری زمانی
• 28. مدل های ARIMA در Stan
• 29. مدل های رگرسیون سری زمانی
• 30. مدل های فضایی
• 31. مدل های رگرسیون فضایی
• 32. مدل های مدل سازی پیشرفته در Stan
• 33. مقدمه ای بر مدل های آماری پیشرفته
• 34. مدل های شبکه های عصبی در Stan
• 35. مدل های یادگیری عمیق در Stan
• 36. مدل های استنتاج بیزی غیرپارامتری
• 37. مدل های فرآیندهای گوسی
• 38. مدل های استنتاج بیزی در علوم اجتماعی
• 39. مدل های استنتاج بیزی در اقتصاد
• 40. مدل های استنتاج بیزی در زیست شناسی
• 41. مدل های استنتاج بیزی در پزشکی
• 42. مدل های استنتاج بیزی در علوم محیطی
• 43. روش های ارزیابی مدل
• 44. اعتبارسنجی متقابل
• 45. شاخص های ارزیابی مدل
• 46. تنظیم ابرپارامترها
• 47. بهینه سازی مدل
• 48. مقدمه ای بر محاسبات موازی در Stan
• 49. استفاده از CPU های چند هسته ای
• 50. استفاده از GPU ها
• 51. مدیریت حافظه در Stan
• 52. اشکال زدایی مدل های Stan
• 53. نوشتن کد Stan کارآمد
• 54. تکنیک های نمونه برداری پیشرفته
• 55. نمونه برداری از طریق زنجیره مارکوف مونت کارلو (MCMC)
• 56. الگوریتم هامیلتونی مونت کارلو (HMC)
• 57. الگوریتم نمونه برداری گاما (NUTS)
• 58. نمونه برداری از توزیع های پیچیده
• 59. تکنیک های بهبود همگرایی
• 60. تشخیص عدم همگرایی
• 61. روش های اصلاح همگرایی
• 62. مقدمه ای بر مدل سازی آماری مدرن
• 63. استنتاج بیزی در عمل
• 64. کاربرد Stan در پژوهش علمی
• 65. مثال های عملی از مدل سازی با Stan
• 66. کاربرد در تحلیل داده های مشاهده ای
• 67. کاربرد در تحلیل داده های آزمایشی
• 68. کاربرد در تحلیل داده های پیمایشی
• 69. کاربرد در تحلیل داده های زمانی
• 70. کاربرد در تحلیل داده های مکانی
• 71. کاربرد در تحلیل داده های شبکه ای
• 72. کاربرد در مدل سازی علت و معلولی
• 73. ملاحظات اخلاقی در مدل سازی آماری
• 74. حریم خصوصی داده ها در مدل سازی
• 75. شفافیت در مدل سازی
• 76. قابلیت تکرارپذیری نتایج
• 77. تفسیر نتایج مدل های پیچیده
• 78. ارتباط نتایج مدل با تصمیم گیری
• 79. مقدمه ای بر روش های آماری جایگزین
• 80. مدل های فرا-آماری
• 81. مدل های بیزی سلسله مراتبی پیشرفته
• 82. مدل های بیزی شبکه ای
• 83. مدل های بیزی برای داده های گسسته
• 84. مدل های بیزی برای داده های پیوسته
• 85. مدل های بیزی برای داده های ترکیبی
• 86. مدل های بیزی برای داده های حجیم
• 87. کاربرد Stan در تحلیل داده های بزرگ
• 88. مقدمه ای بر ابزارهای مدل سازی بیزی دیگر
• 89. مقایسه Stan با سایر نرم افزارها
• 90. مقدمه ای بر توسعه آتی Stan
• 91. یادگیری مستمر در مدل سازی آماری
• 92. منابع تکمیلی برای یادگیری Stan
• 93. نکات مهم در استفاده از Stan
• 94. فرایند تکرار شونده در مدل سازی
• 95. ساخت مدل های قابل تفسیر
• 96. ارزیابی فرض های مدل
• 97. ارتباط مدل با نظریه علمی
• 98. جمع بندی مباحث مدل سازی با Stan
• 99. تمرین های عملی برای تثبیت آموخته ها
• 100. پروژه های کاربردی مدل سازی با Stan