فلش‌کارت‌های آموزشی راهنمای کاربردی Stan

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب راهنمای کاربردی Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر Stan
• 2. چرا Stan؟
• 3. نصب Stan
• 4. نصب R و RStudio
• 5. نصب بسته Stan در R
• 6. تنظیمات اولیه Stan
• 7. یک مدل ساده در Stan
• 8. مفهوم مدل های احتمالی
• 9. مفهوم مدل های بیزی
• 10. ساختار مدل Stan
• 11. بلوک `data`
• 12. بلوک `parameters`
• 13. بلوک `transformed parameters`
• 14. بلوک `model`
• 15. بلوک `generated quantities`
• 16. نوشتن اولین مدل ساده
• 17. مثال: توزیع نرمال
• 18. کامپایل کردن مدل Stan
• 19. اجرای مدل Stan
• 20. تفسیر نتایج Stan
• 21. مشخصات نمونه ها (Samples)
• 22. میانگین، میانه، واریانس
• 23. فاصله اطمینان (Credible Intervals)
• 24. نمودارهایtrace plot
• 25. نمودارهای density plot
• 26. اعتبارسنجی مدل (Model Checking)
• 27. بررسی همگرایی (Convergence)
• 28. R-hat
• 29. Effective Sample Size (ESS)
• 30. autocorrelation plots
• 31. اعتبارسنجی پسین (Posterior Predictive Checks)
• 32. تولید داده های شبیه سازی شده
• 33. مقایسه داده های واقعی و شبیه سازی شده
• 34. مفهوم priors
• 35. انتخاب priors مناسب
• 36. Priors غیر معلوماتی (Non-informative Priors)
• 37. Priors معلوماتی (Informative Priors)
• 38. Priors چندگانه (Weakly Informative Priors)
• 39. تاثیر priors بر نتایج
• 40. مثال: رگرسیون خطی ساده
• 41. تعریف بلوک `data` برای رگرسیون
• 42. تعریف بلوک `parameters`
• 43. تعریف بلوک `model`
• 44. اجرای مدل رگرسیون
• 45. تفسیر نتایج رگرسیون
• 46. رگرسیون خطی چندگانه
• 47. اضافه کردن متغیرهای توضیحی بیشتر
• 48. بررسی اثرات متغیرها
• 49. مدل های خطی تعمیم یافته (GLMs)
• 50. توزیع پواسون (Poisson Distribution)
• 51. مدل رگرسیون پواسون
• 52. توزیع برنولی (Bernoulli Distribution)
• 53. مدل رگرسیون لجستیک
• 54. تفسیر ضرایب در مدل لجستیک
• 55. مدل های سلسله مراتبی (Hierarchical Models)
• 56. مفهوم سلسله مراتب
• 57. مزایای مدل های سلسله مراتبی
• 58. مثال: مدل سلسله مراتبی برای داده های گروه بندی شده
• 59. تعریف بلوک `data` برای مدل سلسله مراتبی
• 60. تعریف بلوک `parameters`
• 61. تعریف بلوک `transformed parameters`
• 62. تعریف بلوک `model`
• 63. اجرای مدل سلسله مراتبی
• 64. تفسیر نتایج مدل سلسله مراتبی
• 65. مدل های مخلوط (Mixture Models)
• 66. مفهوم مدل های مخلوط
• 67. مثال: مدل مخلوط دو مولفه ای
• 68. تفسیر نتایج مدل مخلوط
• 69. مدیریت داده های گمشده (Missing Data)
• 70. روش های مختلف برخورد با داده های گمشده
• 71. مدل سازی داده های گمشده در Stan
• 72. مدل های سری زمانی (Time Series Models)
• 73. مفهوم خودهمبستگی
• 74. مدل های ARIMA در Stan
• 75. مدل های اقتصادسنجی (Econometrics Models)
• 76. مدل های رگرسیون با خطاهای پیچیده
• 77. مدل های انتخاب گسسته (Discrete Choice Models)
• 78. مدل های فضایی (Spatial Models)
• 79. مفهوم خودهمبستگی فضایی
• 80. مدل سازی داده های فضایی در Stan
• 81. مدل های شبکه ای (Network Models)
• 82. مدل سازی داده های شبکه ای در Stan
• 83. تکنیک های پیشرفته در Stan
• 84. استفاده از `vector` و `matrix`
• 85. استفاده از `array`
• 86. توابع سفارشی (User-defined Functions)
• 87. استفاده از `expose_stan_functions`
• 88. بهینه سازی کد Stan
• 89. نکات برای سرعت بخشیدن به اجرای مدل
• 90. استفاده از `lprior` و `lp`
• 91. اشکال زدایی (Debugging) مدل های Stan
• 92. پیام های خطا در Stan
• 93. استفاده از `print` و `reject`
• 94. روش های مختلف نمونه برداری (Sampling Methods)
• 95. NUTS (No-U-Turn Sampler)
• 96. HMC (Hamiltonian Monte Carlo)
• 97. Gibbs Sampling
• 98. استفاده از `sampling` با پارامترهای مختلف
• 99. تکنیک های پیشرفته نمونه برداری
• 100. Stan برای یادگیری ماشین