فلش‌کارت‌های آموزشی ملاحظات مهم در اجرای MCMC با Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ملاحظات مهم در اجرای MCMC با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مفاهیم پایه بسط و انقباض
• 2. آشنایی با روش‌های نمونه‌گیری مونت کارلو زنجیره مارکوف
• 3. اصول اولیه الگوریتم Metropolis-Hastings
• 4. پیاده‌سازی اولیه Metropolis-Hastings در پایتون
• 5. بررسی همگرایی در الگوریتم‌های MCMC
• 6. معیارهای ارزیابی همگرایی (Gelman-Rubin, R-hat)
• 7. مفهوم توزیع پیشین و پسین در استنباط بیزی
• 8. انتخاب توزیع پیشین مناسب (غیر اطلاعاتی و اطلاعاتی)
• 9. معرفی زبان برنامه‌نویسی Stan
• 10. نصب و پیکربندی Stan
• 11. نوشتن مدل‌های ساده در Stan
• 12. آشنایی با سینتکس زبان Stan
• 13. توزیع‌های پرکاربرد در Stan
• 14. فانکشن‌های احتمال در Stan
• 15. نمونه‌گیری از توزیع‌های نرمال و گوسی در Stan
• 16. نمونه‌گیری از توزیع‌های پواسون و دوجمله‌ای در Stan
• 17. نمونه‌گیری از توزیع‌های بتا و گاما در Stan
• 18. نمونه‌گیری از توزیع‌های کای‌دو و t استیودنت در Stan
• 19. مدل‌های رگرسیون خطی در Stan
• 20. پیاده‌سازی مدل رگرسیون خطی در Stan
• 21. مقدمه‌ای بر مدل‌های رگرسیون لجستیک
• 22. پیاده‌سازی مدل رگرسیون لجستیک در Stan
• 23. مدل‌های سلسله مراتبی (Hierarchical Models)
• 24. مزایای مدل‌های سلسله مراتبی
• 25. پیاده‌سازی مدل‌های سلسله مراتبی در Stan
• 26. مدل‌های خطی تعمیم‌یافته (GLMs)
• 27. کاربرد GLMs در حوزه‌های مختلف
• 28. پیاده‌سازی GLMs در Stan
• 29. مقدمه‌ای بر مدل‌های سری زمانی
• 30. مدل‌های ARIMA در Stan
• 31. پیاده‌سازی مدل‌های ARIMA در Stan
• 32. مدل‌های فضای حالت (State-Space Models)
• 33. کاربرد مدل‌های فضای حالت
• 34. پیاده‌سازی مدل‌های فضای حالت در Stan
• 35. مقدمه‌ای بر مدل‌های خوشه‌بندی (Clustering)
• 36. الگوریتم K-Means در Stan
• 37. پیاده‌سازی K-Means در Stan
• 38. مقدمه‌ای بر مدل‌های طبقه‌بندی (Classification)
• 39. مدل‌های طبقه‌بندی بیزی در Stan
• 40. پیاده‌سازی مدل‌های طبقه‌بندی بیزی در Stan
• 41. بهینه‌سازی پارامترها با استفاده از MCMC
• 42. تکنیک‌های نمونه‌گیری پیشرفته در Stan (NUTS)
• 43. مقایسه NUTS با الگوریتم‌های Metropolis-Hastings
• 44. بهینه‌سازی کد Stan برای سرعت و دقت
• 45. عیب‌یابی مدل‌های Stan
• 46. تجسم نتایج MCMC در Stan
• 47. رسم نمودارهای تراکم و هیستوگرام
• 48. رسم نمودارهای زنجیره و Trace Plots
• 49. تحلیل حساسیت مدل به پارامترهای پیشین
• 50. اعتبارسنجی مدل با داده‌های جدید
• 51. روش‌های اعتبارسنجی متقابل (Cross-validation)
• 52. کاربرد Stan در علوم اجتماعی
• 53. کاربرد Stan در اقتصاد
• 54. کاربرد Stan در علوم زیستی
• 55. کاربرد Stan در مهندسی
• 56. کاربرد Stan در علوم کامپیوتر
• 57. مقدمه‌ای بر تحلیل داده‌های حجیم
• 58. چالش‌های تحلیل داده‌های حجیم با MCMC
• 59. استفاده از Stan در محاسبات توزیع‌شده
• 60. ملاحظات امنیتی در استفاده از Stan
• 61. استانداردهای کدنویسی در پروژه‌های Stan
• 62. مستندسازی مدل‌های Stan
• 63. روش‌های اشکال‌زدایی پیشرفته در Stan
• 64. بهبود کارایی الگوریتم‌های نمونه‌گیری
• 65. مقدمه‌ای بر مدل‌های گرافیکی بیزی (Bayesian Graphical Models)
• 66. کاربرد مدل‌های گرافیکی بیزی در Stan
• 67. پیاده‌سازی مدل‌های گرافیکی بیزی در Stan
• 68. مقدمه‌ای بر بهینه‌سازی بیزی (Bayesian Optimization)
• 69. کاربرد بهینه‌سازی بیزی در Stan
• 70. پیاده‌سازی بهینه‌سازی بیزی در Stan
• 71. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 72. کاربرد یادگیری تقویتی در Stan
• 73. پیاده‌سازی یادگیری تقویتی در Stan
• 74. مقدمه‌ای بر شبکه‌های عصبی بیزی (Bayesian Neural Networks)
• 75. کاربرد شبکه‌های عصبی بیزی در Stan
• 76. پیاده‌سازی شبکه‌های عصبی بیزی در Stan
• 77. مقدمه‌ای بر مدل‌های آماری تعمیم‌یافته (Generalized Additive Models)
• 78. پیاده‌سازی GAMs در Stan
• 79. مقدمه‌ای بر مدل‌های کارایی (Efficiency Models)
• 80. پیاده‌سازی مدل‌های کارایی در Stan
• 81. مقدمه‌ای بر مدل‌های بقا (Survival Models)
• 82. پیاده‌سازی مدل‌های بقا در Stan
• 83. مقدمه‌ای بر مدل‌های انتخاب گسسته (Discrete Choice Models)
• 84. پیاده‌سازی مدل‌های انتخاب گسسته در Stan
• 85. مقدمه‌ای بر مدل‌های شبکه‌ای (Network Models)
• 86. پیاده‌سازی مدل‌های شبکه‌ای در Stan
• 87. مقدمه‌ای بر مدل‌های مکانی (Spatial Models)
• 88. پیاده‌سازی مدل‌های مکانی در Stan
• 89. مقدمه‌ای بر مدل‌های زمانی-مکانی (Spatio-temporal Models)
• 90. پیاده‌سازی مدل‌های زمانی-مکانی در Stan
• 91. مقدمه‌ای بر مدل‌های داده‌های پانل (Panel Data Models)
• 92. پیاده‌سازی مدل‌های داده‌های پانل در Stan
• 93. مقدمه‌ای بر مدل‌های ناپارامتری بیزی (Bayesian Nonparametric Models)
• 94. پیاده‌سازی مدل‌های ناپارامتری بیزی در Stan
• 95. مقدمه‌ای بر مدل‌های یادگیری عمیق بیزی (Bayesian Deep Learning)
• 96. پیاده‌سازی مدل‌های یادگیری عمیق بیزی در Stan
• 97. ملاحظات اخلاقی در تحلیل داده‌ها با Stan
• 98. اصول حفاظت از داده‌ها در پروژه‌های Stan
• 99. کاربرد Stan در تحقیقات علمی معتبر
• 100. توسعه دانش در حوزه MCMC و Stan