دوره ملاحظات مهم در اجرای MCMC با Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ملاحظات مهم در اجرای MCMC با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبیه‌سازی مونت کارلو زنجیره مارکوف (MCMC)
• 2. مبانی احتمال و آمار برای MCMC
• 3. مفاهیم زنجیره مارکوف
• 4. فرآیندهای مارکوف و توزیع حالت پایدار
• 5. مفهوم نمونه‌گیری از توزیع پسین
• 6. ضرورت استفاده از MCMC در مدل‌سازی آماری
• 7. معرفی نرم‌افزار Stan
• 8. نصب و راه‌اندازی Stan
• 9. مبانی زبان Stan
• 10. ساختار مدل در Stan
• 11. تعریف متغیرهای مشاهده‌شده و پنهان
• 12. تعریف پارامترهای مدل
• 13. تعریف توزیع پیشین
• 14. تعریف تابع درست‌نمایی
• 15. اصول نمونه‌گیری در Stan
• 16. الگوریتم‌های نمونه‌گیری پیش‌فرض در Stan (NUTS)
• 17. تنظیمات نمونه‌گیری در Stan
• 18. ارزیابی همگرایی زنجیره‌ها
• 19. معیارهای ارزیابی همگرایی (R-hat، ESS)
• 20. تجسم نتایج نمونه‌گیری
• 21. رسم نمودارهایtrace plot
• 22. رسم نمودارهای density plot
• 23. محاسبه میانگین و واریانس پسین
• 24. محاسبه فواصل اطمینان پسین
• 25. مدل‌های خطی ساده با Stan
• 26. مدل‌های خطی تعمیم‌یافته (GLM) با Stan
• 27. مدل‌های رگرسیون لجستیک با Stan
• 28. مدل‌های رگرسیون پواسون با Stan
• 29. مدل‌های مدل‌سازی سری زمانی با Stan
• 30. مدل‌های ARIMA با Stan
• 31. مدل‌های خودرگرسیون شرطی ناهمسانی واریانس (ARCH/GARCH) با Stan
• 32. مدل‌های سلسله‌مراتبی با Stan
• 33. مقدمه‌ای بر مدل‌های سلسله‌مراتبی
• 34. پیاده‌سازی مدل‌های سلسله‌مراتبی در Stan
• 35. مدل‌های اثرات مختلط با Stan
• 36. مدل‌های اثرات ثابت و تصادفی با Stan
• 37. مدل‌سازی داده‌های خوشه‌ای با Stan
• 38. مدل‌سازی داده‌های طولی با Stan
• 39. ملاحظات مربوط به مدل‌های پیچیده
• 40. مدل‌سازی داده‌های فضایی با Stan
• 41. مدل‌های مکانی و خودهمبستگی فضایی
• 42. پیاده‌سازی مدل‌های فضایی در Stan
• 43. مدل‌سازی داده‌های شبکه‌ای با Stan
• 44. مبانی تحلیل شبکه
• 45. پیاده‌سازی مدل‌های شبکه در Stan
• 46. مدل‌سازی آماری بیزی برای داده‌های زیستی
• 47. کاربرد MCMC در آمار زیستی
• 48. مدل‌سازی انتخاب گسسته با Stan
• 49. مدل‌سازی بقا با Stan
• 50. مدل‌سازی داده‌های شمارشی با Stan
• 51. مدل‌سازی داده‌های دودویی با Stan
• 52. مدل‌سازی داده‌های چندوجهی با Stan
• 53. مدل‌سازی آماری بیزی در علوم اقتصادی
• 54. کاربرد MCMC در اقتصادسنجی
• 55. مدل‌های سری زمانی اقتصادی با Stan
• 56. مدل‌های پویایی‌شناسی سیستمی در Stan
• 57. مدل‌سازی ریسک با Stan
• 58. مدل‌سازی رفتار مصرف‌کننده با Stan
• 59. مدل‌سازی آماری بیزی در علوم اجتماعی
• 60. کاربرد MCMC در جامعه‌شناسی
• 61. مدل‌سازی پیمایش با Stan
• 62. مدل‌سازی داده‌های کیفی با Stan
• 63. مدل‌سازی شبکه‌های اجتماعی با Stan
• 64. مدل‌سازی آماری بیزی در علوم محیطی
• 65. کاربرد MCMC در علوم محیطی
• 66. مدل‌سازی تغییرات اقلیمی با Stan
• 67. مدل‌سازی آلودگی هوا با Stan
• 68. مدل‌سازی منابع آب با Stan
• 69. مدل‌سازی آماری بیزی در علوم مهندسی
• 70. کاربرد MCMC در مهندسی
• 71. مدل‌سازی قابلیت اطمینان با Stan
• 72. مدل‌سازی پیش‌بینی در مهندسی با Stan
• 73. مدل‌سازی بهینه‌سازی با Stan
• 74. مدل‌سازی آماری بیزی در علوم پزشکی
• 75. کاربرد MCMC در پزشکی
• 76. مدل‌سازی کارآزمایی بالینی با Stan
• 77. مدل‌سازی اپیدمیولوژیک با Stan
• 78. مدل‌سازی تشخیص بیماری با Stan
• 79. مدل‌سازی آماری بیزی در علوم کامپیوتر
• 80. کاربرد MCMC در یادگیری ماشین
• 81. مدل‌سازی بیزی برای شبکه‌های عصبی با Stan
• 82. مدل‌سازی بیزی برای ماشین‌های بردار پشتیبان (SVM) با Stan
• 83. مدل‌سازی بیزی برای درختان تصمیم با Stan
• 84. مدل‌سازی بیزی برای خوشه‌بندی با Stan
• 85. مدیریت و سازماندهی پروژه‌های Stan
• 86. نکات پیشرفته در نوشتن مدل‌های Stan
• 87. بهینه‌سازی کد Stan
• 88. استفاده از Stan برای مدل‌های بیزی غیر پارامتری
• 89. ملاحظات اخلاقی در مدل‌سازی آماری
• 90. اهمیت شفافیت در مدل‌سازی
• 91. کاربرد مدل‌های بیزی در تصمیم‌گیری‌های کلان
• 92. آموزش و یادگیری مستمر در زمینه MCMC و Stan
• 93. آخرین دستاوردها در الگوریتم‌های MCMC
• 94. منابع تکمیلی برای یادگیری Stan
• 95. تمرین‌های عملی برای تسلط بر Stan
• 96. پروژه‌های کاربردی با استفاده از Stan
• 97. ملاحظات فرهنگی و اجتماعی در مدل‌سازی آماری
• 98. انطباق مدل‌ها با ارزش‌های اسلامی و ایرانی
• 99. نظارت و ارزیابی مستمر مدل‌ها