فلش‌کارت‌های آموزشی تکنیک‌های ارزیابی مدل با Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های ارزیابی مدل با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مبانی مدل‌سازی آماری بیزی
• 2. مقدمه‌ای بر زبان برنامه‌نویسی R
• 3. نصب و پیکربندی Stan
• 4. مفاهیم پایه احتمال و آمار
• 5. توزیع‌های احتمال گسسته
• 6. توزیع‌های احتمال پیوسته
• 7. استنباط بیزی: مفاهیم و اصول
• 8. قضیه بیز و کاربردهای آن
• 9. پیش‌بینی و مدل‌سازی آماری
• 10. مقدمه‌ای بر رگرسیون خطی
• 11. رگرسیون خطی بیزی
• 12. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 13. GLM بیزی با Stan
• 14. مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 15. کاربرد مدل‌های سلسله‌مراتبی در علوم
• 16. طراحی و پیاده‌سازی مدل‌های سلسله‌مراتبی در Stan
• 17. مدل‌های مخلوط (Mixed-Effects Models)
• 18. رگرسیون لجستیک بیزی
• 19. مدل‌های بقا (Survival Models)
• 20. مدل‌های سری زمانی بیزی
• 21. آشفتگی (Muddling) در مدل‌سازی آماری
• 22. استنتاج مبتنی بر شبیه‌سازی (MCMC)
• 23. الگوریتم‌های MCMC: Metropolis-Hastings
• 24. الگوریتم‌های MCMC: Gibbs Sampling
• 25. تشخیص همگرایی MCMC
• 26. معیارهای ارزیابی همگرایی MCMC (Gelman-Rubin)
• 27. ارزیابی کارایی MCMC
• 28. تنظیم پارامترهای MCMC
• 29. بهینه‌سازی مدل‌های بیزی
• 30. اعتبارسنجی مدل (Model Validation)
• 31. تفسیر نتایج مدل‌های بیزی
• 32. تجسم نتایج مدل‌های بیزی
• 33. روش‌های پیش‌بینی بیزی
• 34. تحلیل حساسیت مدل
• 35. مقدمه‌ای بر مدل‌های شبیه‌سازی
• 36. شبیه‌سازی مونت کارلو در Stan
• 37. روش‌های نمونه‌برداری پیشرفته در Stan
• 38. تحلیل داده‌های خوشه‌ای بیزی
• 39. مدل‌سازی شبکه‌های بیزی
• 40. مقدمه‌ای بر داده‌های مکانی
• 41. مدل‌سازی داده‌های مکانی بیزی
• 42. مقدمه‌ای بر داده‌های شبکه‌ای
• 43. مدل‌سازی داده‌های شبکه‌ای بیزی
• 44. روش‌های کاهش ابعاد در مدل‌سازی بیزی
• 45. معرفی زبان برنامه‌نویسی پایتون
• 46. پایپ‌لاین‌های داده در پایتون
• 47. کاربرد پایتون در تحلیل آماری
• 48. مقدمه‌ای بر کتابخانه CmdStanPy
• 49. اتصال R و پایتون برای مدل‌سازی
• 50. مدل‌سازی پیشرفته رگرسیون
• 51. مدل‌سازی رگرسیون غیرخطی بیزی
• 52. مدل‌سازی رگرسیون چندسطحی
• 53. مدل‌سازی رگرسیون با متغیرهای طبقه‌بندی شده
• 54. مدل‌سازی رگرسیون با متغیرهای پنهان
• 55. مدل‌سازی رگرسیون با اثرات متقابل
• 56. مدل‌سازی رگرسیون با داده‌های گمشده
• 57. مدل‌سازی رگرسیون با داده‌های پرت
• 58. مدل‌سازی رگرسیون با داده‌های طولانی‌مدت
• 59. مدل‌سازی رگرسیون با داده‌های پانل
• 60. مدل‌سازی مقایسه‌ای در Stan
• 61. مدل‌سازی مقایسه‌ای زوجی
• 62. مدل‌سازی مقایسه‌ای رتبه‌بندی
• 63. مدل‌سازی مقایسه‌ای انتخاب گسسته
• 64. مدل‌سازی انتخاب گسسته بیزی
• 65. مدل‌سازی انتخاب گسسته با داده‌های پانل
• 66. مدل‌سازی انتخاب گسسته با داده‌های مکانی
• 67. مدل‌سازی انتخاب گسسته با داده‌های شبکه‌ای
• 68. مدل‌سازی گام به گام در Stan
• 69. مدل‌سازی انتخاب متغیر در Stan
• 70. مدل‌سازی ساختاری در Stan
• 71. مدل‌سازی معادلات ساختاری بیزی
• 72. مدل‌سازی معادلات ساختاری با داده‌های گمشده
• 73. مدل‌سازی معادلات ساختاری با داده‌های طولانی‌مدت
• 74. مدل‌سازی معادلات ساختاری با داده‌های پانل
• 75. مدل‌سازی معادلات ساختاری با داده‌های مکانی
• 76. مدل‌سازی معادلات ساختاری با داده‌های شبکه‌ای
• 77. مدل‌سازی استنباطی در Stan
• 78. مدل‌سازی استنباطی برای داده‌های مشاهده‌ای
• 79. مدل‌سازی استنباطی برای داده‌های آزمایشی
• 80. مدل‌سازی استنباطی برای داده‌های شبیه‌سازی شده
• 81. مدل‌سازی استنباطی برای داده‌های ترکیبی
• 82. مدل‌سازی پیش‌بینی در Stan
• 83. مدل‌سازی پیش‌بینی برای سری‌های زمانی
• 84. مدل‌سازی پیش‌بینی برای داده‌های مکانی
• 85. مدل‌سازی پیش‌بینی برای داده‌های شبکه‌ای
• 86. مدل‌سازی پیش‌بینی برای داده‌های رتبه‌بندی
• 87. مدل‌سازی پیش‌بینی برای داده‌های انتخاب گسسته
• 88. مدل‌سازی پیش‌بینی برای داده‌های بقا
• 89. مدل‌سازی پیش‌بینی برای داده‌های سلامت
• 90. مدل‌سازی پیش‌بینی برای داده‌های اقتصادی
• 91. مدل‌سازی پیش‌بینی برای داده‌های اجتماعی
• 92. مدل‌سازی پیش‌بینی برای داده‌های زیست‌محیطی
• 93. مدل‌سازی پیش‌بینی برای داده‌های مهندسی
• 94. مدل‌سازی پیش‌بینی برای داده‌های آموزشی
• 95. مدل‌سازی پیش‌بینی برای داده‌های ورزشی
• 96. اصول اخلاقی در مدل‌سازی آماری
• 97. کاربرد مدل‌سازی در تصمیم‌گیری‌های کلان
• 98. مطالعات موردی پیشرفته در Stan
• 99. کارگاه عملی مدل‌سازی بیزی با Stan
• 100. ارائه پروژه‌های مدل‌سازی بیزی