دوره Stan در Python: قدرت MCMC در دسترس شما همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Stan در Python: قدرت MCMC در دسترس شما

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

موضوع میانی: ادغام Stan با R، Python و سایر زبان‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 2. نصب و پیکربندی پایتون
• 3. مفاهیم پایه‌ای پایتون: متغیرها و انواع داده
• 4. ساختارهای کنترلی در پایتون: شرط‌ها و حلقه‌ها
• 5. توابع در پایتون: تعریف و فراخوانی
• 6. کار با رشته‌ها در پایتون
• 7. لیست‌ها و تاپل‌ها در پایتون
• 8. دیکشنری‌ها و مجموعه‌ها در پایتون
• 9. مفاهیم برنامه‌نویسی شیءگرا در پایتون
• 10. کلاس‌ها و اشیاء در پایتون
• 11. وراثت در پایتون
• 12. پلی‌مورفیسم در پایتون
• 13. مدیریت خطا و استثناها در پایتون
• 14. کار با فایل‌ها در پایتون
• 15. مقدمه‌ای بر کتابخانه‌های علمی پایتون
• 16. نصب و استفاده از NumPy
• 17. عملیات بر روی آرایه‌ها با NumPy
• 18. مقدمه‌ای بر کتابخانه SciPy
• 19. کار با توابع بهینه‌سازی در SciPy
• 20. کار با انتگرال‌گیری عددی در SciPy
• 21. مقدمه‌ای بر آمار در پایتون
• 22. نصب و استفاده از کتابخانه Pandas
• 23. کار با DataFrame ها در Pandas
• 24. پاکسازی و آماده‌سازی داده‌ها با Pandas
• 25. تجزیه و تحلیل اکتشافی داده‌ها با Pandas
• 26. مقدمه‌ای بر مصورسازی داده‌ها در پایتون
• 27. نصب و استفاده از Matplotlib
• 28. رسم نمودارهای خطی و پراکندگی با Matplotlib
• 29. رسم نمودارهای میله‌ای و هیستوگرام با Matplotlib
• 30. مقدمه‌ای بر Seaborn برای مصورسازی پیشرفته
• 31. مصورسازی آماری با Seaborn
• 32. مقدمه‌ای بر مدل‌های احتمالاتی
• 33. توزیع‌های احتمالی گسسته
• 34. توزیع‌های احتمالی پیوسته
• 35. مفاهیم پیش‌بینی و استنتاج آماری
• 36. مقدمه‌ای بر روش‌های مونت کارلو
• 37. شبیه‌سازی مونت کارلو
• 38. مقدمه‌ای بر زنجیره‌های مارکوف
• 39. مدل‌های مارکوف پنهان
• 40. مقدمه‌ای بر استنتاج بیزی
• 41. نظریه بیز و قضیه بیز
• 42. کاربرد استنتاج بیزی در مدل‌سازی
• 43. مقدمه‌ای بر Stan
• 44. نصب و پیکربندی Stan
• 45. زبان مدل‌سازی Stan
• 46. نوشتن مدل‌های ساده در Stan
• 47. پارامترهای مدل در Stan
• 48. توابع کمکی در Stan
• 49. ساختارهای شرطی در Stan
• 50. حلقه‌های تکرار در Stan
• 51. تعریف متغیرهای کمکی در Stan
• 52. کار با توزیع‌های پیشین در Stan
• 53. کار با توزیع‌های پسین در Stan
• 54. تولید نمونه از توزیع پسین
• 55. کار با الگوریتم‌های MCMC
• 56. الگوریتم هامیلتونی مونت کارلو (HMC)
• 57. الگوریتم نمونه‌برداری از گام‌های تصادفی (NUTS)
• 58. ارزیابی همگرایی مدل‌های Bayesian
• 59. معیارهای ارزیابی همگرایی
• 60. تشخیص واگرایی در زنجیره‌های MCMC
• 61. تصویرسازی نتایج MCMC
• 62. تفسیر نتایج مدل‌های Bayesian
• 63. بهینه‌سازی مدل‌های Stan
• 64. مدل‌های خطی در Stan
• 65. مدل‌های رگرسیون لجستیک در Stan
• 66. مدل‌های سلسله‌مراتبی در Stan
• 67. کاربرد مدل‌های سلسله‌مراتبی
• 68. مدل‌های سری زمانی در Stan
• 69. مدل‌های فضایی در Stan
• 70. مدل‌های پیش‌بینی در Stan
• 71. کاربرد Stan در علوم زیستی
• 72. کاربرد Stan در علوم اجتماعی
• 73. کاربرد Stan در اقتصاد
• 74. کاربرد Stan در مهندسی
• 75. کاربرد Stan در پزشکی
• 76. کاربرد Stan در روانشناسی
• 77. کاربرد Stan در علوم محیط زیست
• 78. کاربرد Stan در پژوهش‌های رفتار مصرف‌کننده
• 79. کاربرد Stan در پژوهش‌های مالی
• 80. کاربرد Stan در پژوهش‌های سلامت
• 81. کاربرد Stan در پژوهش‌های آموزشی
• 82. کاربرد Stan در پژوهش‌های مدیریت
• 83. کاربرد Stan در پژوهش‌های سازمانی
• 84. کاربرد Stan در پژوهش‌های بازاریابی
• 85. کاربرد Stan در پژوهش‌های ارتباطات
• 86. کاربرد Stan در پژوهش‌های جامعه‌شناسی
• 87. کاربرد Stan در پژوهش‌های سیاسی
• 88. کاربرد Stan در پژوهش‌های تاریخ
• 89. کاربرد Stan در پژوهش‌های زبان‌شناسی
• 90. کاربرد Stan در پژوهش‌های علوم کامپیوتر
• 91. کاربرد Stan در هوش مصنوعی
• 92. کاربرد Stan در یادگیری ماشین
• 93. کاربرد Stan در پردازش زبان طبیعی
• 94. کاربرد Stan در بینایی ماشین
• 95. کاربرد Stan در سیستم‌های توصیه‌گر
• 96. کاربرد Stan در تحلیل شبکه‌های اجتماعی
• 97. کاربرد Stan در کشف تقلب
• 98. کاربرد Stan در پیش‌بینی روند بازار
• 99. کاربرد Stan در بهینه‌سازی منابع
• 100. کاربرد Stan در تحلیل ریسک