دوره تنظیمات پیشرفته برای مدل‌سازی‌های پیچیده در Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته برای مدل‌سازی‌های پیچیده در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی آماری با Stan
• 2. مبانی زبان برنامه‌نویسی Stan
• 3. آشنایی با ساختار مدل در Stan
• 4. تعریف متغیرهای پیشین و پسین
• 5. نوشتن توابع سفارشی در Stan
• 6. مدل‌های خطی تعمیم‌یافته در Stan
• 7. مدل‌های سلسله‌مراتبی در Stan
• 8. مدل‌های خودرگرسیو در Stan
• 9. مدل‌های فضایی در Stan
• 10. مدل‌های سری زمانی در Stan
• 11. مدل‌های شرطی در Stan
• 12. مدل‌های رگرسیون لجستیک در Stan
• 13. مدل‌های رگرسیون پواسون در Stan
• 14. مدل‌های بقا در Stan
• 15. مدل‌های چندسطحی در Stan
• 16. مدل‌های مختلط در Stan
• 17. مدل‌های ناپارامتریک در Stan
• 18. مدل‌های بیزی در Stan
• 19. روش‌های نمونه‌برداری مارکوف چین مونت کارلو (MCMC)
• 20. مقدمه‌ای بر الگوریتم‌های نمونه‌برداری
• 21. الگوریتم گیبس (Gibbs Sampling)
• 22. الگوریتم متروپلیس-هستینگز (Metropolis-Hastings)
• 23. الگوریتم نمونه‌برداری با گام متغیر
• 24. تشخیص همگرایی در MCMC
• 25. معیارهای ارزیابی همگرایی
• 26. روش‌های بصری ارزیابی همگرایی
• 27. شاخص‌های کیلوترون (Gelman-Rubin)
• 28. نشانگرهای خودهمبستگی (Autocorrelation Plots)
• 29. بررسی توزیع پسین
• 30. نمونه‌گیری از توزیع‌های پیچیده
• 31. مدل‌سازی داده‌های گسسته
• 32. مدل‌سازی داده‌های پیوسته
• 33. مدل‌سازی داده‌های شمارشی
• 34. مدل‌سازی داده‌های دودویی
• 35. مدل‌سازی داده‌های ترتیبی
• 36. مدل‌سازی داده‌های چندمتغیره
• 37. مدل‌سازی داده‌های ناقص
• 38. روش‌های پر کردن داده‌های ناقص
• 39. مدل‌سازی داده‌های با ساختار سلسله‌مراتبی
• 40. مدل‌سازی داده‌های با ساختار فضایی
• 41. مدل‌سازی داده‌های سری زمانی غیرخطی
• 42. مدل‌سازی داده‌های با اثرات تصادفی
• 43. مدل‌سازی داده‌های با اثرات ثابت
• 44. مدل‌سازی داده‌های با تعاملات
• 45. مدل‌سازی داده‌های با اثرات متقابل
• 46. مدل‌سازی داده‌های با تغییرات زمانی
• 47. مدل‌سازی داده‌های با توزیع‌های غیرنرمال
• 48. مدل‌سازی داده‌های با واریانس ناهمگن
• 49. مدل‌سازی داده‌های با همبستگی درون‌گروهی
• 50. مدل‌سازی داده‌های با همبستگی بین‌گروهی
• 51. مدل‌سازی داده‌های با وابستگی زمانی
• 52. مدل‌سازی داده‌های با وابستگی فضایی
• 53. بهینه‌سازی پارامترهای مدل
• 54. ارزیابی عملکرد مدل
• 55. اعتبارسنجی متقابل (Cross-validation)
• 56. اعتبارسنجی مبتنی بر شبیه‌سازی
• 57. بررسی باقیمانده‌های مدل
• 58. تفسیر نتایج مدل
• 59. گزارش‌دهی نتایج مدل
• 60. مقایسه مدل‌های مختلف
• 61. انتخاب بهترین مدل
• 62. مدل‌سازی پیش‌بینانه
• 63. پیش‌بینی مقادیر جدید
• 64. تعیین فواصل اطمینان برای پیش‌بینی
• 65. مدل‌سازی با استفاده از داده‌های بزرگ
• 66. بهینه‌سازی کد Stan
• 67. تکنیک‌های پیشرفته نمونه‌برداری
• 68. مدل‌سازی با استفاده از رابط‌های پایتون و R
• 69. کاربرد Stan در علوم زیستی
• 70. کاربرد Stan در علوم اجتماعی
• 71. کاربرد Stan در اقتصاد
• 72. کاربرد Stan در مهندسی
• 73. کاربرد Stan در علوم محیطی
• 74. کاربرد Stan در پزشکی
• 75. کاربرد Stan در آمار زیستی
• 76. کاربرد Stan در روانشناسی
• 77. کاربرد Stan در علوم سیاسی
• 78. کاربرد Stan در مدیریت
• 79. کاربرد Stan در علوم داده
• 80. کاربرد Stan در یادگیری ماشین
• 81. مدل‌سازی پیشرفته با استفاده از Stan
• 82. تکنیک‌های خاص برای مدل‌های پیچیده
• 83. مدل‌سازی داده‌های با ابعاد بالا
• 84. مدل‌سازی داده‌های شبکه‌ای
• 85. مدل‌سازی داده‌های با ساختار گراف
• 86. مدل‌سازی داده‌های با عدم قطعیت بالا
• 87. مدل‌سازی با استفاده از روش‌های بیزی سلسله‌مراتبی
• 88. اصول اخلاقی در مدل‌سازی آماری
• 89. مسئولیت‌پذیری در استفاده از مدل‌ها
• 90. ملاحظات قانونی در استفاده از داده‌ها
• 91. حفظ حریم خصوصی داده‌ها
• 92. امنیت داده‌ها در فرآیند مدل‌سازی
• 93. کاربرد Stan در تحلیل داده‌های آماری
• 94. روش‌های پیشرفته تحلیل داده با Stan
• 95. تکنیک‌های نوین در مدل‌سازی آماری با Stan