کتاب صوتی کاربرد Stan در زبان‌های مختلف: انعطاف‌پذیری در مدل‌سازی آماری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد Stan در زبان‌های مختلف: انعطاف‌پذیری در مدل‌سازی آماری

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

موضوع میانی: ادغام Stan با R، Python و سایر زبان‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی آماری و زبان‌های برنامه‌نویسی
• 2. آشنایی با مفاهیم اصلی مدل‌سازی آماری
• 3. مبانی احتمال و توزیع‌های آماری
• 4. مفاهیم پایه در زبان‌های برنامه‌نویسی
• 5. نصب و پیکربندی محیط Stan
• 6. ساختار کلی برنامه‌های Stan
• 7. نوشتن اولین مدل ساده در Stan
• 8. انواع متغیرها و داده‌ها در Stan
• 9. دستورات پایه‌ای زبان Stan
• 10. توابع داخلی و کتابخانه‌های Stan
• 11. مدل‌های خطی ساده در Stan
• 12. رگرسیون خطی چندگانه در Stan
• 13. مدل‌های خطی تعمیم‌یافته (GLM)
• 14. مدل‌های خطی تعمیم‌یافته با توزیع پواسون
• 15. مدل‌های خطی تعمیم‌یافته با توزیع دوجمله‌ای
• 16. مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 17. مفاهیم مدل‌های سلسله‌مراتبی
• 18. پیاده‌سازی مدل‌های سلسله‌مراتبی در Stan
• 19. مدل‌های اثرات مختلط (Mixed-Effects Models)
• 20. کاربرد مدل‌های اثرات مختلط در اقتصاد
• 21. مدل‌های اثرات مختلط در علوم اجتماعی
• 22. مدل‌های پویایی سیستم (System Dynamics)
• 23. معرفی مفاهیم دینامیک سیستم
• 24. پیاده‌سازی مدل‌های دینامیک سیستم در Stan
• 25. مدل‌سازی سری‌های زمانی (Time Series)
• 26. مفاهیم پایه در تحلیل سری‌های زمانی
• 27. مدل‌های ARIMA در Stan
• 28. مدل‌های حالت-فضا (State-Space Models)
• 29. پیاده‌سازی مدل‌های حالت-فضا در Stan
• 30. مدل‌سازی داده‌های مکانی (Spatial Data)
• 31. مفاهیم پایه در تحلیل داده‌های مکانی
• 32. مدل‌های مکانی در Stan
• 33. مدل‌سازی داده‌های خوشه‌ای (Clustering)
• 34. الگوریتم‌های خوشه‌بندی
• 35. پیاده‌سازی مدل‌های خوشه‌بندی در Stan
• 36. مدل‌سازی شبکه‌ها (Network Analysis)
• 37. مفاهیم پایه در تحلیل شبکه‌ها
• 38. مدل‌سازی شبکه‌ها در Stan
• 39. مدل‌های بیزی (Bayesian Models)
• 40. مبانی استنتاج بیزی
• 41. پیاده‌سازی مدل‌های بیزی در Stan
• 42. مفاهیم پیشین (Prior Distributions)
• 43. انتخاب توزیع‌های پیشین مناسب
• 44. توزیع‌های پیشین غیر اطلاعاتی (Non-informative Priors)
• 45. توزیع‌های پیشین اطلاعاتی (Informative Priors)
• 46. توزیع پیشین برای پارامترهای رگرسیون
• 47. توزیع پیشین برای واریانس‌ها
• 48. مفاهیم پسین (Posterior Distributions)
• 49. محاسبه توزیع پسین
• 50. نمونه‌گیری از توزیع پسین (MCMC)
• 51. الگوریتم‌های نمونه‌گیری مارکوف چین مونت کارلو (MCMC)
• 52. الگوریتم Gibbs Sampling
• 53. الگوریتم Metropolis-Hastings
• 54. الگوریتم No-U-Turn Sampler (NUTS)
• 55. ارزیابی همگرایی (Convergence) مدل‌های MCMC
• 56. معیارهای ارزیابی همگرایی
• 57. نمودارهای Trace Plot
• 58. مقدار R-hat
• 59. تفسیر نتایج MCMC
• 60. نمونه‌گیری از توزیع پسین با Stan
• 61. استفاده از Stan برای مدل‌های پیچیده
• 62. مدل‌سازی داده‌های گمشده (Missing Data)
• 63. روش‌های مقابله با داده‌های گمشده
• 64. پیاده‌سازی imputation در Stan
• 65. مدل‌سازی داده‌های طولانی (Longitudinal Data)
• 66. مفاهیم داده‌های طولانی
• 67. مدل‌سازی داده‌های طولانی در Stan
• 68. مدل‌سازی داده‌های بقا (Survival Data)
• 69. مفاهیم تحلیل بقا
• 70. مدل‌سازی داده‌های بقا در Stan
• 71. مدل‌سازی انتخاب گسسته (Discrete Choice Models)
• 72. مفاهیم انتخاب گسسته
• 73. مدل‌سازی انتخاب گسسته در Stan
• 74. مدل‌سازی مدل‌های آمیخته (Mixture Models)
• 75. مفاهیم مدل‌های آمیخته
• 76. مدل‌سازی مدل‌های آمیخته در Stan
• 77. مدل‌سازی فضایی-زمانی (Spatio-temporal Models)
• 78. مفاهیم مدل‌سازی فضایی-زمانی
• 79. مدل‌سازی فضایی-زمانی در Stan
• 80. بهینه‌سازی مدل‌ها در Stan
• 81. تنظیم پارامترهای نمونه‌گیری
• 82. اعتبارسنجی متقابل (Cross-validation)
• 83. مقایسه مدل‌ها
• 84. مدل‌سازی در زبان‌های برنامه‌نویسی دیگر با Stan
• 85. رابط Stan با R
• 86. رابط Stan با Python
• 87. رابط Stan با Julia
• 88. رابط Stan با Stata
• 89. رابط Stan با MATLAB
• 90. کاربرد Stan در علوم اقتصادی
• 91. کاربرد Stan در علوم اجتماعی
• 92. کاربرد Stan در علوم زیستی
• 93. کاربرد Stan در علوم مهندسی
• 94. کاربرد Stan در علوم پزشکی
• 95. کاربرد Stan در تحلیل داده‌های کلان
• 96. نکات پیشرفته در Stan
• 97. ساخت توابع سفارشی در Stan
• 98. بهینه‌سازی کد Stan
• 99. اشکال‌زدایی (Debugging) مدل‌های Stan
• 100. نکات امنیتی در استفاده از Stan