فلش‌کارت‌های آموزشی کاربرد MCMC با Stan در تحلیل‌های آماری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد MCMC با Stan در تحلیل‌های آماری

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های نمونه‌گیری مارکوف چین مونت کارلو
• 2. آشنایی با مفاهیم پایه آمار بیزی
• 3. مبانی مدل‌سازی آماری
• 4. نیازسنجی و طراحی مدل‌های بیزی
• 5. توابع چگالی احتمال و نسبت درست‌نمایی
• 6. مقدمه‌ای بر زبان برنامه‌نویسی Stan
• 7. نصب و راه‌اندازی Stan
• 8. نوشتن اولین مدل در Stan
• 9. مفهوم توزیع پیشین و پسین
• 10. انتخاب توزیع پیشین مناسب
• 11. کاربرد توزیع‌های پیشین غیرمطلع
• 12. توزیع‌های پیشین اطلاع‌دار
• 13. توزیع نرمال و کاربرد آن در مدل‌سازی
• 14. توزیع گاما و کاربرد آن
• 15. توزیع بتا و کاربرد آن
• 16. توزیع پواسون و کاربرد آن
• 17. توزیع دوجمله‌ای و کاربرد آن
• 18. توزیع چندجمله‌ای و کاربرد آن
• 19. رگرسیون خطی بیزی
• 20. تفسیر نتایج رگرسیون خطی بیزی
• 21. رگرسیون لجستیک بیزی
• 22. تفسیر نتایج رگرسیون لجستیک بیزی
• 23. مدل‌های سلسله‌مراتبی بیزی
• 24. طراحی مدل‌های سلسله‌مراتبی
• 25. مثال‌هایی از مدل‌های سلسله‌مراتبی
• 26. مدل‌های خطای پیش‌بینی در Stan
• 27. مدل‌سازی زمان سری با Stan
• 28. کاربرد مدل‌های مارکوف در زمان سری
• 29. مدل‌های مارکوف پنهان
• 30. کاربرد مدل‌های مارکوف پنهان در تحلیل داده
• 31. مدل‌سازی بقا با Stan
• 32. مدل‌های کاکس پروپورشنال هازارد
• 33. کاربرد مدل‌های بقا در تحلیل داده
• 34. مدل‌سازی داده‌های فضایی با Stan
• 35. مفاهیم پایه آمار فضایی
• 36. مدل‌های خودرگرسیو فضایی
• 37. مدل‌های میانگین متحرک فضایی
• 38. کاربرد مدل‌های فضایی در تحلیل داده
• 39. آشنایی با الگوریتم‌های MCMC
• 40. الگوریتم Metropolis-Hastings
• 41. الگوریتم Gibbs Sampling
• 42. مقایسه الگوریتم‌های MCMC
• 43. معیارهای همگرایی در MCMC
• 44. تشخیص عدم همگرایی
• 45. روش‌های اصلاح عدم همگرایی
• 46. تکنیک‌های نمونه‌گیری پیشرفته
• 47. نمونه‌گیری از توزیع‌های پیچیده
• 48. نمونه‌گیری با متغیرهای کمکی
• 49. معرفی کتابخانه RStan
• 50. اتصال Stan به R
• 51. اجرای مدل‌های Stan در R
• 52. تجسم نتایج در R
• 53. کاربرد R در تحلیل آماری بیزی
• 54. معرفی کتابخانه PyStan
• 55. اتصال Stan به Python
• 56. اجرای مدل‌های Stan در Python
• 57. تجسم نتایج در Python
• 58. کاربرد Python در تحلیل آماری بیزی
• 59. مقدمه‌ای بر تحلیل عامل بیزی
• 60. کاربرد تحلیل عامل در جامعه‌شناسی
• 61. کاربرد تحلیل عامل در روان‌شناسی
• 62. مدل‌سازی عاملی سلسله‌مراتبی
• 63. مدل‌سازی عاملی با Stan
• 64. مقدمه‌ای بر مدل‌سازی معادلات ساختاری بیزی
• 65. کاربرد مدل‌سازی معادلات ساختاری
• 66. مدل‌سازی معادلات ساختاری با Stan
• 67. مقدمه‌ای بر شبکه‌های عصبی بیزی
• 68. کاربرد شبکه‌های عصبی در پیش‌بینی
• 69. شبکه‌های عصبی بیزی با Stan
• 70. بهینه‌سازی مدل‌های آماری بیزی
• 71. تنظیم پارامترهای مدل
• 72. اعتبارسنجی مدل‌های بیزی
• 73. مقایسه مدل‌های بیزی
• 74. کاربرد MCMC در علوم اجتماعی
• 75. کاربرد MCMC در اقتصاد
• 76. کاربرد MCMC در پزشکی
• 77. کاربرد MCMC در مهندسی
• 78. کاربرد MCMC در علوم محیط زیست
• 79. کاربرد MCMC در یادگیری ماشین
• 80. بهبود عملکرد MCMC
• 81. کاهش زمان اجرای MCMC
• 82. استفاده از محاسبات موازی
• 83. تکنیک‌های نمونه‌گیری کارآمد
• 84. بررسی حساسیت پارامترها
• 85. تحلیل سناریوهای مختلف
• 86. پیش‌بینی با مدل‌های بیزی
• 87. ارزیابی عدم قطعیت پیش‌بینی
• 88. کاربرد Stan در پروژه‌های تحقیقاتی
• 89. نکات پیشرفته در Stan
• 90. خطاهای رایج در مدل‌سازی بیزی
• 91. راهکارهای رفع خطاهای رایج
• 92. اخلاق در تحلیل آماری
• 93. حفظ حریم خصوصی داده‌ها
• 94. شفافیت در گزارش‌دهی نتایج
• 95. کاربرد Stan در تحلیل داده‌های بزرگ
• 96. مقدمه‌ای بر روش‌های بیزی مدرن
• 97. انواع توزیع‌های نرمال چندمتغیره
• 98. مدل‌سازی توزیع‌های شرطی
• 99. کاربرد MCMC در داده‌های پرت
• 100. تحلیل داده‌های ناقص با Stan