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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته برای مدل‌سازی در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مبانی مدل‌سازی آماری با رویکرد بیزی
• 2. مقدمه‌ای بر زبان برنامه‌نویسی R
• 3. نصب و پیکربندی Stan و ابزارهای مرتبط
• 4. مفاهیم پایه آمار و احتمالات در مدل‌سازی
• 5. توزیع‌های احتمال رایج در آمار بیزی
• 6. مقدمه‌ای بر استنتاج بیزی: قضیه بیز
• 7. تعریف پیشین و پسین در مدل‌سازی بیزی
• 8. انتخاب توزیع پیشین مناسب
• 9. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 10. مدل‌های رگرسیونی خطی بیزی
• 11. مدل‌های رگرسیونی لجستیک بیزی
• 12. مدل‌های رگرسیونی پواسون بیزی
• 13. مدل‌های سری زمانی در Stan
• 14. مدل‌های خودرگرسیونی (AR)
• 15. مدل‌های میانگین متحرک (MA)
• 16. مدل‌های ARMA و ARIMA
• 17. مدل‌های فضایی در Stan
• 18. مقدمه‌ای بر مدل‌سازی فضایی
• 19. مدل‌های رگرسیونی فضایی
• 20. مدل‌های خودهمبستگی فضایی
• 21. مدل‌های سلسله‌مراتبی در Stan
• 22. مفهوم سطوح و تودرتویی
• 23. مدل‌های اثرات مختلط (Mixed Effects Models)
• 24. مدل‌های سلسله‌مراتبی خطی
• 25. مدل‌های سلسله‌مراتبی لجستیک
• 26. مدل‌های سلسله‌مراتبی پواسون
• 27. مدل‌سازی بقا (Survival Analysis)
• 28. مقدمه‌ای بر مدل‌سازی بقا
• 29. تابع خطر (Hazard Function)
• 30. مدل‌های کاکس (Cox Proportional Hazards)
• 31. مدل‌های بقا با توزیع‌های پارامترايز شده
• 32. مدل‌سازی داده‌های طبقه‌بندی شده
• 33. مدل‌های لجستیک چندگانه
• 34. مدل‌های ترتیبی (Ordinal Models)
• 35. مدل‌های طبقه‌بندی چندگانه (Multinomial Models)
• 36. مقدمه‌ای بر شبکه‌های عصبی بیزی
• 37. کاربرد شبکه‌های عصبی در مدل‌سازی
• 38. پیاده‌سازی شبکه‌های عصبی در Stan
• 39. مدل‌سازی داده‌های غیرنرمال
• 40. توزیع‌های بتا، گاما و ویبول
• 41. مدل‌سازی داده‌های شمارشی با توزیع‌های خاص
• 42. مدل‌سازی داده‌های ترکیبی (Zero-Inflated Models)
• 43. مقدمه‌ای بر روش‌های شبیه‌سازی مونت کارلو زنجیره مارکوف (MCMC)
• 44. الگوریتم‌های MCMC: Metropolis-Hastings
• 45. الگوریتم Gibbs Sampling
• 46. تشخیص همگرایی MCMC
• 47. معیارهای ارزیابی همگرایی
• 48. بهبود کارایی MCMC
• 49. کاهش همبستگی بین زنجیره‌ها
• 50. استفاده از پیش‌شرط‌گذاری (Preconditioning)
• 51. تنظیمات پیشرفته برای مدل‌سازی در Stan
• 52. بهینه‌سازی کد Stan
• 53. توابع سفارشی در Stan
• 54. استفاده از الگوریتم‌های نمونه‌برداری پیشرفته
• 55. نمونه‌برداری با گام متغیر (Variable Step Size Sampling)
• 56. نمونه‌برداری با گام متغیر تطبیقی (Adaptive Variable Step Size Sampling)
• 57. مدل‌سازی داده‌های حجیم و بزرگ
• 58. روش‌های نمونه‌برداری سریع‌تر
• 59. استفاده از پردازش موازی
• 60. مدل‌سازی مبتنی بر عامل (Agent-Based Modeling)
• 61. مقدمه‌ای بر مدل‌سازی مبتنی بر عامل
• 62. پیاده‌سازی مدل‌های مبتنی بر عامل در Stan
• 63. کاربرد مدل‌سازی مبتنی بر عامل در علوم اجتماعی
• 64. کاربرد مدل‌سازی مبتنی بر عامل در علوم زیستی
• 65. استنتاج بیزی در مدل‌های پیچیده
• 66. مدل‌های گرافیکی بیزی
• 67. استفاده از Stan برای مدل‌های گرافیکی
• 68. مدل‌سازی پدیده‌های پویا
• 69. مدل‌سازی سیستم‌های دینامیکی بیزی
• 70. استفاده از Stan برای مدل‌سازی سیستم‌های دینامیکی
• 71. مدل‌سازی شبیه‌سازی شده (Simulation-Based Modeling)
• 72. استفاده از Stan برای استنتاج در مدل‌های شبیه‌سازی شده
• 73. مدل‌سازی داده‌های مکانی-زمانی
• 74. ترکیب مدل‌های فضایی و سری زمانی
• 75. پیاده‌سازی مدل‌های مکانی-زمانی در Stan
• 76. مدل‌سازی تصمیم‌گیری و انتخاب
• 77. مدل‌های انتخاب گسسته بیزی
• 78. استفاده از Stan برای مدل‌سازی انتخاب
• 79. مدل‌سازی پدیده‌های یادگیری
• 80. مدل‌های یادگیری بیزی
• 81. استفاده از Stan برای مدل‌سازی یادگیری
• 82. مدل‌سازی پیش‌بینی و پیش‌بینی‌پذیری
• 83. معیارهای ارزیابی پیش‌بینی
• 84. بهبود دقت پیش‌بینی با مدل‌های پیچیده
• 85. مدل‌سازی عدم قطعیت در پیش‌بینی
• 86. ارائه نتایج مدل‌سازی
• 87. تصویرسازی نتایج بیزی
• 88. گزارش‌دهی مدل‌های پیچیده
• 89. تفسیر نتایج مدل‌سازی بیزی
• 90. اعتبارسنجی مدل‌ها
• 91. بررسی استحکام مدل
• 92. مقایسه مدل‌های رقیب
• 93. کاربرد مدل‌سازی بیزی در پژوهش‌های علمی
• 94. مطالعات موردی در حوزه‌های مختلف
• 95. مدل‌سازی در علوم اجتماعی
• 96. مدل‌سازی در علوم پزشکی
• 97. مدل‌سازی در علوم محیطی
• 98. مدل‌سازی در اقتصاد
• 99. مدل‌سازی در مهندسی
• 100. اخلاق در مدل‌سازی آماری