کتاب صوتی راهنمای جامع برای ارزیابی خروجی‌های Stan در عمل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع برای ارزیابی خروجی‌های Stan در عمل

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

موضوع میانی: ارزیابی خروجی Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ارزیابی خروجی‌های Stan
• 2. نصب و پیکربندی Stan
• 3. مفاهیم پایه مدل‌سازی آماری
• 4. مبانی مدل‌های سلسله مراتبی
• 5. مقدمه بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 6. مفاهیم پایه نمونه‌گیری بیزی
• 7. معرفی زبان Stan
• 8. ساختار کلی برنامه‌های Stan
• 9. پارامترها، متغیرهای تولید شده و داده‌ها در Stan
• 10. توابع هدف و گرادیان در Stan
• 11. نوشتن اولین مدل ساده در Stan
• 12. مدل‌های خطی ساده در Stan
• 13. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 14. مدل‌های رگرسیون لجستیک در Stan
• 15. مدل‌های رگرسیون پواسون در Stan
• 16. مدل‌های خطی سلسله مراتبی در Stan
• 17. مقدمه بر مدل‌های سلسله مراتبی چند سطحی
• 18. مدل‌های اثرات تصادفی در Stan
• 19. مدل‌های اثرات ثابت در Stan
• 20. ترکیب اثرات ثابت و تصادفی در Stan
• 21. مدل‌های خطی مختلط در Stan
• 22. مدل‌های سری زمانی در Stan
• 23. مدل‌های ARIMA در Stan
• 24. مدل‌های پیش‌بینی سری زمانی در Stan
• 25. مدل‌های فضایی در Stan
• 26. مقدمه بر مدل‌های فضایی
• 27. مدل‌های خودهمبستگی فضایی در Stan
• 28. مدل‌های ناهمبستگی فضایی در Stan
• 29. مدل‌های مکان-آماری در Stan
• 30. مدل‌های بقا در Stan
• 31. مدل‌های کاپلان-مایر در Stan
• 32. مدل‌های کاکس در Stan
• 33. مدل‌های بقا با اثرات تصادفی در Stan
• 34. مدل‌های اندازه‌گیری در Stan
• 35. مقدمه بر مدل‌های اندازه‌گیری
• 36. مدل‌های عاملی در Stan
• 37. مدل‌های ساختاری در Stan
• 38. مدل‌های اندازه‌گیری چند سطحی در Stan
• 39. مدل‌های کلاسیک در Stan
• 40. مقدمه بر مدل‌های کلاسیک
• 41. مدل‌های عامل نهفته در Stan
• 42. مدل‌های رتبه‌بندی در Stan
• 43. مدل‌های توزیع مختلط در Stan
• 44. مدل‌های یادگیری ماشین در Stan
• 45. مقدمه بر مدل‌های یادگیری ماشین
• 46. مدل‌های رگرسیون در Stan (مرور)
• 47. مدل‌های دسته‌بندی در Stan
• 48. شبکه‌های عصبی پایه در Stan
• 49. مدل‌های بیزی شبکه‌های عصبی در Stan
• 50. تکنیک‌های نمونه‌گیری پیشرفته در Stan
• 51. نمونه‌گیری از طریق هامیلتونی (HMC)
• 52. نمونه‌گیری از طریق دینامیک لاگرانژی (NUTS)
• 53. بهینه‌سازی پارامترهای نمونه‌گیری
• 54. نظارت بر همگرایی MCMC
• 55. روش‌های بصری برای ارزیابی همگرایی
• 56. معیارهای عددی برای ارزیابی همگرایی
• 57. تشخیص و رفع مشکلات همگرایی
• 58. ارزیابی پسین (Posterior Predictive Checks)
• 59. تولید داده‌های شبیه‌سازی شده از مدل
• 60. مقایسه داده‌های شبیه‌سازی شده با داده‌های واقعی
• 61. شاخص‌های اطلاعاتی برای ارزیابی مدل
• 62. معیار اطلاعاتی آکائیکه (AIC)
• 63. معیار اطلاعاتی بیزی (BIC)
• 64. معیار اطلاعاتی واپور-مکی (WAIC)
• 65. معیار اطلاعاتی پسین (LOO-CV)
• 66. مقایسه مدل‌ها با استفاده از معیارهای اطلاعاتی
• 67. تفسیر نتایج مدل
• 68. تفسیر پارامترهای مدل
• 69. محاسبه فواصل اطمینان بیزی
• 70. تفسیر فواصل اطمینان بیزی
• 71. تجسم نتایج مدل
• 72. نمودارهای توزیع پسین
• 73. نمودارهای همبستگی پارامترها
• 74. نمودارهای پیش‌بینی
• 75. کاربرد Stan در تحقیقات علمی
• 76. مطالعات موردی در علوم اجتماعی
• 77. مطالعات موردی در علوم زیستی
• 78. مطالعات موردی در علوم محیطی
• 79. مطالعات موردی در اقتصاد
• 80. پردازش داده‌های بزرگ با Stan
• 81. موازی‌سازی در Stan
• 82. استفاده از GPU در Stan
• 83. بهینه‌سازی کد Stan
• 84. نوشتن کد کارآمد در Stan
• 85. اشکال‌زدایی کد Stan
• 86. اشتباهات رایج در مدل‌سازی بیزی
• 87. راهنمایی برای انتخاب مدل مناسب
• 88. ملاحظات اخلاقی در گزارش‌دهی نتایج
• 89. مقدمه‌ای بر زبان R و ادغام با Stan
• 90. استفاده از بسته rstan
• 91. استفاده از بسته CmdStanR
• 92. استفاده از بسته RStanARM
• 93. تجسم نتایج مدل با R
• 94. نوشتن گزارش‌های فنی و علمی
• 95. مقدمه‌ای بر زبان Python و ادغام با Stan
• 96. استفاده از بسته PyStan
• 97. استفاده از بسته CmdStanPy
• 98. تجسم نتایج مدل با Python
• 99. ملاحظات پیشرفته در مدل‌سازی بیزی
• 100. مدل‌های غیر پارامتری در Stan