دوره ملاحظات کلیدی در استفاده از Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ملاحظات کلیدی در استفاده از Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی Stan
• 2. نصب و راه‌اندازی Stan
• 3. آشنایی با محیط توسعه Stan
• 4. مبانی زبان Stan: متغیرها و انواع داده
• 5. ساختارهای کنترلی در Stan: شرط‌ها و حلقه‌ها
• 6. توابع در Stan: تعریف و فراخوانی
• 7. مدیریت خطا در Stan
• 8. آرایه‌ها و ساختارها در Stan
• 9. مقدمه‌ای بر مدل‌سازی آماری
• 10. مفاهیم اساسی مدل‌سازی بیزی
• 11. کاربرد Stan در مدل‌سازی بیزی
• 12. نوشتن اولین مدل بیزی در Stan
• 13. پارامترهای مدل و توزیع‌های پیشین
• 14. توزیع‌های پسین و استنتاج بیزی
• 15. روش‌های نمونه‌برداری مارکوف چین مونته کارلو (MCMC)
• 16. مقدمه‌ای بر الگوریتم‌های نمونه‌برداری در Stan
• 17. نمونه‌برداری از توزیع نرمال در Stan
• 18. نمونه‌برداری از توزیع پواسون در Stan
• 19. نمونه‌برداری از توزیع برنولی در Stan
• 20. نمونه‌برداری از توزیع گاما در Stan
• 21. نمونه‌برداری از توزیع بتا در Stan
• 22. مدل رگرسیون خطی ساده در Stan
• 23. مدل رگرسیون خطی چندگانه در Stan
• 24. مدل رگرسیون لجستیک در Stan
• 25. مدل رگرسیون پواسون در Stan
• 26. مدل رگرسیون گاما در Stan
• 27. مدل سری زمانی ساده در Stan
• 28. مدل‌های رگرسیون با اثرات تصادفی
• 29. کاربرد مدل‌های اثرات تصادفی در Stan
• 30. مدل‌های سلسله‌مراتبی در Stan
• 31. نمونه‌سازی مدل‌های سلسله‌مراتبی
• 32. ارزیابی مدل‌های بیزی
• 33. شاخص‌های ارزیابی مدل در Stan
• 34. اعتبار سنجی متقابل مدل‌های بیزی
• 35. تجزیه و تحلیل حساسیت مدل
• 36. تفسیر نتایج مدل‌های بیزی
• 37. تجسم نتایج مدل در Stan
• 38. نمودارهای تراکم و هیستوگرام در Stan
• 39. نمودارهای سری زمانی در Stan
• 40. نمودارهای پراکندگی در Stan
• 41. نمودارهای انباشتگی در Stan
• 42. نمودارهای جعبه‌ای در Stan
• 43. ارتباط با زبان R برای Stan
• 44. استفاده از بسته rstan در R
• 45. وارد کردن داده‌ها از R به Stan
• 46. فراخوانی مدل‌های Stan از R
• 47. خروجی مدل‌های Stan در R
• 48. تجسم نتایج در R
• 49. ارتباط با زبان Python برای Stan
• 50. استفاده از بسته CmdStanPy در Python
• 51. وارد کردن داده‌ها از Python به Stan
• 52. فراخوانی مدل‌های Stan از Python
• 53. خروجی مدل‌های Stan در Python
• 54. تجسم نتایج در Python
• 55. مدل‌سازی داده‌های گمشده در Stan
• 56. روش‌های مدیریت داده‌های گمشده
• 57. کاربرد Stan در مدل‌سازی داده‌های گمشده
• 58. مدل‌سازی داده‌های پرچمی در Stan
• 59. کاربرد Stan در مدل‌سازی داده‌های پرچمی
• 60. مدل‌سازی داده‌های فضایی در Stan
• 61. مقدمه‌ای بر مدل‌های فضایی
• 62. کاربرد Stan در مدل‌سازی فضایی
• 63. مدل‌سازی داده‌های شبکه‌ای در Stan
• 64. مقدمه‌ای بر مدل‌های شبکه‌ای
• 65. کاربرد Stan در مدل‌سازی شبکه‌ای
• 66. مدل‌سازی پیش‌بینی در Stan
• 67. تکنیک‌های پیش‌بینی با مدل‌های بیزی
• 68. کاربرد Stan در پیش‌بینی
• 69. بهینه‌سازی مدل در Stan
• 70. روش‌های انتخاب مدل
• 71. کاربرد Stan در بهینه‌سازی مدل
• 72. نکات پیشرفته در برنامه‌نویسی Stan
• 73. توابع شرطی و تعریف شده توسط کاربر
• 74. بهینه‌سازی کد Stan
• 75. اشکال‌زدایی مدل‌های پیچیده
• 76. مقدمه‌ای بر مدل‌های توزیع ترکیبی
• 77. کاربرد Stan در مدل‌های توزیع ترکیبی
• 78. مدل‌سازی داده‌های بقا در Stan
• 79. مقدمه‌ای بر مدل‌های بقا
• 80. کاربرد Stan در مدل‌سازی بقا
• 81. مدل‌سازی مدل‌های گرافیکی در Stan
• 82. مقدمه‌ای بر مدل‌های گرافیکی
• 83. کاربرد Stan در مدل‌سازی گرافیکی
• 84. مدل‌سازی مدل‌های احتمالاتی در Stan
• 85. مقدمه‌ای بر مدل‌های احتمالاتی
• 86. کاربرد Stan در مدل‌سازی احتمالاتی
• 87. مدل‌سازی داده‌های پانل در Stan
• 88. مقدمه‌ای بر مدل‌های پانل
• 89. کاربرد Stan در مدل‌سازی داده‌های پانل
• 90. مدل‌سازی مدل‌های پنهان مارکوف در Stan
• 91. مقدمه‌ای بر مدل‌های پنهان مارکوف
• 92. کاربرد Stan در مدل‌سازی پنهان مارکوف
• 93. مدل‌سازی مدل‌های گوسی فرآیند در Stan
• 94. مقدمه‌ای بر فرآیندهای گوسی
• 95. کاربرد Stan در مدل‌سازی فرآیندهای گوسی
• 96. مدل‌سازی مدل‌های گرافیکی احتمالی در Stan
• 97. مقدمه‌ای بر مدل‌های گرافیکی احتمالی
• 98. کاربرد Stan در مدل‌سازی گرافیکی احتمالی
• 99. مدل‌سازی مدل‌های یادگیری عمیق در Stan
• 100. مقدمه‌ای بر یادگیری عمیق