فلش‌کارت‌های آموزشی مدل‌سازی در شرایط داده‌های ناقص با Stan

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مدل‌سازی در شرایط داده‌های ناقص با Stan

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

موضوع میانی: Stan

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه بر مدل‌سازی بیزی
• 2. مقدمه بر Stan
• 3. چرا Stan؟
• 4. مبانی مدل‌سازی آماری
• 5. مبانی احتمال
• 6. مبانی استنباط بیزی
• 7. مفاهیم کلیدی در مدل‌سازی بیزی (احتمال پیشین، احتمال درست‌نمایی، احتمال پسین)
• 8. مشکل داده‌های ناقص
• 9. انواع داده‌های ناقص (MCAR, MAR, MNAR)
• 10. چالش‌های مدل‌سازی با داده‌های ناقص
• 11. راهکارهای کلی برای داده‌های ناقص
• 12. مدل‌سازی بیزی به عنوان راه حل
• 13. مقدمه بر زبان مدل‌سازی Stan
• 14. سینتکس پایه Stan
• 15. ساختار بلوک‌های Stan (data, parameters, transformed data, transformed parameters, model, generated quantities)
• 16. مثال‌های ساده مدل‌سازی در Stan
• 17. نصب Stan و ابزارهای مرتبط (RStan, PyStan)
• 18. مقدمه بر مفاهیم مدل‌سازی آماری پیشرفته
• 19. مدل‌های خطی تعمیم‌یافته (GLMs)
• 20. مدل‌های سلسله مراتبی (Hierarchical Models)
• 21. مدل‌های خطی مختلط (Mixed-Effects Models)
• 22. مقدمه بر مفاهیم داده‌های ناقص در مدل‌سازی بیزی
• 23. روش‌های اولیه برخورد با داده‌های ناقص (حذف، جایگزینی میانگین)
• 24. محدودیت‌های روش‌های اولیه
• 25. روش‌های پیشرفته در مدل‌سازی بیزی برای داده‌های ناقص
• 26. نظریه استنباط بیزی برای داده‌های ناقص
• 27. مفهوم "مدل کامل" (Complete Data Model)
• 28. مفهوم "مدل ناقص" (Observed Data Model)
• 29. استنتاج با داده‌های ناقص: رویکردهای کلی
• 30. جایگزینی چندگانه (Multiple Imputation)
• 31. جایگزینی چندگانه بیزی (Bayesian Multiple Imputation)
• 32. پیاده‌سازی جایگزینی چندگانه در Stan
• 33. مدل‌سازی مستقیم داده‌های ناقص در Stan
• 34. مدل‌سازی احتمالاتی برای داده‌های ناقص
• 35. مدل‌سازی عدم قطعیت در داده‌های ناقص
• 36. استفاده از متغیرهای پنهان (Latent Variables) برای داده‌های ناقص
• 37. مدل‌سازی پارامترهای مربوط به احتمال ناقص بودن داده‌ها
• 38. مدل‌سازی MNAR (Missing Not At Random)
• 39. چالش‌های مدل‌سازی MNAR
• 40. تکنیک‌های مدل‌سازی MNAR در Stan
• 41. نظریه مدل‌سازی MNAR
• 42. مدل‌های عامل پنهان (Latent Factor Models) برای داده‌های ناقص
• 43. مدل‌های مبتنی بر توزیع‌های خاص برای داده‌های ناقص
• 44. مدل‌سازی داده‌های گمشده در متغیرهای مستقل
• 45. مدل‌سازی داده‌های گمشده در متغیر وابسته
• 46. مدل‌سازی داده‌های گمشده در متغیرهای میانجی (Mediators)
• 47. مدل‌سازی داده‌های گمشده در متغیرهای تعدیل‌کننده (Moderators)
• 48. مدل‌سازی داده‌های گمشده در سری‌های زمانی
• 49. مدل‌سازی داده‌های گمشده در داده‌های پنلی
• 50. مدل‌سازی داده‌های گمشده در داده‌های فضایی
• 51. کاربرد مدل‌سازی بیزی برای داده‌های ناقص در حوزه‌های مختلف
• 52. کاربرد در علوم پزشکی و بهداشت
• 53. کاربرد در علوم اجتماعی
• 54. کاربرد در اقتصاد
• 55. کاربرد در علوم محیطی
• 56. کاربرد در مهندسی
• 57. روش‌های ارزیابی مدل‌های بیزی برای داده‌های ناقص
• 58. معیارهای ارزیابی مدل
• 59. اعتبارسنجی متقابل (Cross-validation)
• 60. تست‌های تشخیصی (Diagnostic Tests)
• 61. بررسی همگرایی زنجیره مارکوف مونت کارلو (MCMC)
• 62. بررسی کیفیت نمونه‌برداری
• 63. بررسی برازش مدل (Model Fit)
• 64. تفسیر نتایج مدل‌های بیزی با داده‌های ناقص
• 65. ارائه نتایج تخمین پارامترها
• 66. ارائه عدم قطعیت در تخمین‌ها
• 67. ارائه پیش‌بینی‌ها
• 68. ارائه پیش‌بینی‌های با در نظر گرفتن داده‌های ناقص
• 69. نکات پیشرفته در کدنویسی Stan برای داده‌های ناقص
• 70. بهینه‌سازی کد Stan
• 71. استفاده از توابع و ماژول‌ها
• 72. مدیریت خطاهای رایج در Stan
• 73. عیب‌یابی مدل‌های Stan
• 74. اشکال‌زدایی (Debugging) مدل‌های Stan
• 75. مدل‌سازی داده‌های ناقص در عمل: مطالعات موردی
• 76. مطالعه موردی 1: داده‌های پزشکی با مقادیر گمشده
• 77. مطالعه موردی 2: داده‌های نظرسنجی با پاسخ‌های ناقص
• 78. مطالعه موردی 3: داده‌های مالی با مقادیر نامشخص
• 79. مطالعه موردی 4: داده‌های علمی با اندازه‌گیری‌های ناکامل
• 80. ملاحظات عملی در جمع‌آوری داده‌ها برای کاهش مشکلات داده‌های ناقص
• 81. طراحی پرسشنامه و ابزار اندازه‌گیری
• 82. روش‌های کاهش خطای اندازه‌گیری
• 83. استراتژی‌های تشویق به پاسخگویی
• 84. مدل‌سازی بیزی و داده‌های ناقص: مرزهای دانش
• 85. روش‌های نوین در مدل‌سازی داده‌های ناقص
• 86. هوش مصنوعی و یادگیری ماشین در مدل‌سازی داده‌های ناقص
• 87. یادگیری عمیق (Deep Learning) برای جایگزینی داده‌های ناقص
• 88. یادگیری تقویتی (Reinforcement Learning) برای مدیریت داده‌های ناقص
• 89. مدل‌سازی داده‌های ناقص با استفاده از شبکه‌های عصبی بیزی
• 90. ارتباط مدل‌سازی بیزی با روش‌های آماری کلاسیک برای داده‌های ناقص
• 91. مقایسه رویکردهای بیزی و فریکونتیست برای داده‌های ناقص
• 92. مزایا و معایب رویکرد بیزی در مواجهه با داده‌های ناقص
• 93. آینده مدل‌سازی بیزی در شرایط داده‌های ناقص
• 94. نکات مهم برای یادگیری بیشتر
• 95. منابع برای مطالعه بیشتر
• 96. کتاب‌های مرجع
• 97. مقالات علمی کلیدی
• 98. دوره‌های آموزشی آنلاین
• 99. انجمن‌های تخصصی و گروه‌های کاربری
• 100. پروژه‌های عملی برای تمرین