فلش‌کارت‌های آموزشی راهنمای کاربردی Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای کاربردی Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمات و معرفی نرم‌افزار Stan
• 2. نصب و پیکربندی Stan
• 3. آشنایی با زبان برنامه‌نویسی Stan
• 4. مفاهیم اولیه مدل‌سازی آماری
• 5. مدل‌های خطی در Stan
• 6. مدل‌های رگرسیون ساده
• 7. مدل‌های رگرسیون چندگانه
• 8. مفاهیم احتمال و توزیع‌ها
• 9. توزیع نرمال و کاربردهای آن
• 10. توزیع‌های گاما و بتا
• 11. توزیع‌های گوسی و پواسون
• 12. مقدمه‌ای بر استنتاج بیزی
• 13. قضیه بیز و تفسیر آن
• 14. انتخاب پیشین‌های مناسب
• 15. توزیع‌های پیشین غیر اطلاعاتی
• 16. روش‌های نمونه‌برداری مارکوف چین مونت کارلو (MCMC)
• 17. الگوریتم گیبس
• 18. الگوریتم هملتونی مونت کارلو (HMC)
• 19. مزایا و معایب الگوریتم‌های MCMC
• 20. ارزیابی همگرایی مدل‌های MCMC
• 21. معیارهای ارزیابی همگرایی (R-hat, ESS)
• 22. تشخیص و رفع مشکلات همگرایی
• 23. تجسم نتایج مدل‌های بیزی
• 24. رسم نمودارهایtrace و density
• 25. محاسبه فواصل اطمینان بیزی
• 26. تفسیر نتایج مدل‌های پیچیده
• 27. مدل‌سازی سلسله مراتبی
• 28. مزایای مدل‌های سلسله مراتبی
• 29. پیاده‌سازی مدل‌های سلسله مراتبی در Stan
• 30. مثال‌هایی از مدل‌های سلسله مراتبی
• 31. مدل‌های خطی تعمیم‌یافته (GLM)
• 32. مدل‌های رگرسیون لجستیک
• 33. مدل‌های رگرسیون پواسون
• 34. پیاده‌سازی GLM در Stan
• 35. مدل‌های رگرسیون ناپارامتری
• 36. فرایندهای گوسی (Gaussian Processes)
• 37. کاربرد فرایندهای گوسی در رگرسیون
• 38. مدل‌سازی سری‌های زمانی
• 39. مدل‌های ARIMA
• 40. مدل‌های حالت فضا (State-space models)
• 41. پیاده‌سازی مدل‌های سری زمانی در Stan
• 42. مدل‌سازی داده‌های فضایی
• 43. مفاهیم آماری فضایی
• 44. مدل‌های اتورگرسیو فضایی
• 45. پیاده‌سازی مدل‌های فضایی در Stan
• 46. مدل‌های پنهان مارکوف (Hidden Markov Models)
• 47. کاربرد HMM در تحلیل داده
• 48. پیاده‌سازی HMM در Stan
• 49. مدل‌های یادگیری ماشین بیزی
• 50. رگرسیون بیزی با ماشین‌های بردار پشتیبان (SVM)
• 51. طبقه‌بندی بیزی با شبکه‌های عصبی
• 52. مدل‌های بیزی برای تحلیل داده‌های کلان
• 53. بهینه‌سازی مدل‌های Stan
• 54. تکنیک‌های نمونه‌برداری پیشرفته
• 55. استفاده از Stan برای داده‌های پرت
• 56. مدل‌سازی با عدم قطعیت
• 57. تحلیل حساسیت مدل
• 58. اعتبارسنجی متقابل مدل‌ها
• 59. مقایسه مدل‌های مختلف
• 60. مدل‌سازی آماری در علوم زیستی
• 61. کاربرد Stan در ژنتیک و اپیدمیولوژی
• 62. مدل‌سازی آماری در علوم اقتصادی
• 63. کاربرد Stan در اقتصاد سنجی
• 64. مدل‌سازی آماری در علوم اجتماعی
• 65. کاربرد Stan در جامعه‌شناسی و روان‌شناسی
• 66. مدل‌سازی آماری در علوم محیطی
• 67. کاربرد Stan در مطالعات زیست‌محیطی
• 68. مدل‌سازی آماری در مهندسی
• 69. کاربرد Stan در تحلیل قابلیت اطمینان
• 70. مقدمه‌ای بر زبان برنامه‌نویسی R
• 71. اتصال R به Stan
• 72. استفاده از بسته‌های R برای Stan
• 73. تجسم نتایج با R
• 74. مقدمه‌ای بر زبان برنامه‌نویسی Python
• 75. اتصال Python به Stan
• 76. استفاده از بسته‌های Python برای Stan
• 77. تجسم نتایج با Python
• 78. اصول طراحی مدل‌های قابل فهم
• 79. اهمیت تفسیرپذیری مدل
• 80. روش‌های بهبود تفسیرپذیری
• 81. ملاحظات اخلاقی در مدل‌سازی آماری
• 82. حفظ حریم خصوصی داده‌ها
• 83. استفاده مسئولانه از نتایج مدل‌ها
• 84. گزارش‌دهی شفاف نتایج
• 85. محدودیت‌های مدل‌سازی آماری
• 86. نکات تکمیلی و پیشرفته
• 87. مطالعه موردی: تحلیل داده‌های پرسشنامه
• 88. مطالعه موردی: مدل‌سازی پیش‌بینی فروش
• 89. مطالعه موردی: تحلیل نتایج آزمایش‌های پزشکی
• 90. مطالعه موردی: مدل‌سازی رفتار مصرف‌کننده
• 91. مطالعه موردی: تحلیل الگوهای مهاجرت
• 92. مطالعه موردی: مدل‌سازی ریسک در بیمه
• 93. مطالعه موردی: تحلیل داده‌های شبکه‌های اجتماعی
• 94. مطالعه موردی: مدل‌سازی انتشار بیماری
• 95. مطالعه موردی: تحلیل سری‌های زمانی مالی
• 96. مطالعه موردی: مدل‌سازی توزیع منابع
• 97. مطالعه موردی: تحلیل داده‌های سنجش از دور
• 98. مطالعه موردی: مدل‌سازی فرآیندهای تولید
• 99. مطالعه موردی: تحلیل داده‌های حقوق و دستمزد
• 100. مطالعه موردی: مدل‌سازی اثرات تغییرات اقلیمی