کتاب صوتی استفاده از Stan برای تحلیل‌های پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از Stan برای تحلیل‌های پیشرفته

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی آماری با Stan
• 2. نصب و پیکربندی Stan
• 3. آشنایی با زبان Stan (Stan Language)
• 4. ساختارهای داده در Stan
• 5. توابع احتمال و توابع چگالی در Stan
• 6. مدل‌های خطی ساده در Stan
• 7. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 8. مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 9. مفاهیم پیشرفته در مدل‌های سلسله‌مراتبی
• 10. مدل‌های مختلط (Mixed-Effects Models)
• 11. تحلیل سری‌های زمانی با Stan
• 12. مدل‌های ARMA و ARIMA در Stan
• 13. مدل‌های فضایی با Stan
• 14. مدل‌های بقا (Survival Models) در Stan
• 15. مدل‌های پواسون و رگرسیون پواسون در Stan
• 16. مدل‌های لجستیک و رگرسیون لجستیک در Stan
• 17. مدل‌های چندجمله‌ای لجستیک در Stan
• 18. مدل‌های طبقه‌بندی در Stan
• 19. مدل‌های پیش‌بینی با Stan
• 20. روش‌های نمونه‌برداری مارکوف چین مونت کارلو (MCMC)
• 21. الگوریتم‌های نمونه‌بردار گیبس (Gibbs Sampling)
• 22. الگوریتم‌های نمونه‌بردار رندوم‌هست (Hamiltonian Monte Carlo)
• 23. تشخیص همگرایی در MCMC
• 24. معیارهای ارزیابی همگرایی (Gelman-Rubin, R-hat)
• 25. روش‌های بصری تشخیص همگرایی
• 26. تنظیم پارامترهای الگوریتم‌های MCMC
• 27. اعتبارسنجی مدل با داده‌های جدید
• 28. مدل‌های خطای مکانی در Stan
• 29. مدل‌های خطای زمانی در Stan
• 30. مدل‌های داده‌های پانل در Stan
• 31. مدل‌های رگرسیون کوانتیل در Stan
• 32. مدل‌های بیزی برای مدل‌های خطی
• 33. مدل‌های بیزی برای مدل‌های خطی تعمیم‌یافته
• 34. مدل‌های بیزی برای مدل‌های سلسله‌مراتبی
• 35. مدل‌های بیزی برای سری‌های زمانی
• 36. مدل‌های بیزی برای مدل‌های بقا
• 37. مقدمه‌ای بر مدل‌سازی بیزی
• 38. مفاهیم توزیع پیشین و پسین
• 39. قضیه بیز در عمل
• 40. روش‌های نمونه‌گیری از توزیع پسین
• 41. استفاده از کتابخانه‌های R برای Stan (rstan)
• 42. استفاده از کتابخانه‌های Python برای Stan (pystan)
• 43. نوشتن مدل‌های سفارشی در Stan
• 44. بهینه‌سازی کد Stan
• 45. اشکال‌زدایی مدل‌های Stan
• 46. انواع داده‌های متوالی در Stan
• 47. مدل‌سازی داده‌های دودویی در Stan
• 48. مدل‌سازی داده‌های ترتیبی در Stan
• 49. مدل‌سازی داده‌های شمارشی در Stan
• 50. مدل‌سازی داده‌های پیوسته در Stan
• 51. استفاده از توابع شرطی در Stan
• 52. حلقه‌ها و ساختارهای کنترلی در Stan
• 53. توابع کمکی و کتابخانه‌های Stan
• 54. نوشتن توابع سفارشی در Stan
• 55. مدل‌های رگرسیون نیمه پارامتری در Stan
• 56. مدل‌های غیر پارامتری در Stan
• 57. مدل‌های احتمالاتی گرافیکی در Stan
• 58. شبکه‌های بیزی در Stan
• 59. مدل‌های گرافیکی مارکوف در Stan
• 60. کاربرد Stan در علوم زیستی
• 61. کاربرد Stan در علوم اجتماعی
• 62. کاربرد Stan در اقتصاد
• 63. کاربرد Stan در مهندسی
• 64. کاربرد Stan در علوم محیطی
• 65. مدل‌سازی داده‌های گمشده در Stan
• 66. روش‌های imputation در Stan
• 67. مدل‌سازی داده‌های پرت در Stan
• 68. تشخیص و مدیریت داده‌های پرت
• 69. کاربرد Stan در تحلیل داده‌های حجیم
• 70. ملاحظات محاسباتی در Stan
• 71. روش‌های موازی‌سازی در Stan
• 72. استفاده از GPU برای محاسبات Stan
• 73. ارزیابی دقت مدل با معیارهای مختلف
• 74. تفسیر نتایج مدل‌های بیزی
• 75. تفسیر ضرایب مدل‌های بیزی
• 76. تفسیر توزیع‌های پسین پارامترها
• 77. ارائه نتایج تحلیل‌های بیزی
• 78. مقایسه مدل‌های مختلف با Stan
• 79. انتخاب مدل بر اساس معیارهای بیزی (DIC, WAIC)
• 80. استفاده از Stan برای شبیه‌سازی داده‌ها
• 81. شبیه‌سازی سناریوهای مختلف با Stan
• 82. استفاده از Stan برای تحلیل حساسیت
• 83. تحلیل حساسیت پارامترها
• 84. کاربرد Stan در پیش‌بینی‌های بیزی
• 85. پیش‌بینی با در نظر گرفتن عدم قطعیت
• 86. مقدمه‌ای بر بهینه‌سازی بیزی
• 87. بهینه‌سازی با استفاده از Stan
• 88. مدل‌سازی رگرسیون با اثرات متقابل
• 89. مدل‌سازی رگرسیون با اثرات غیرخطی
• 90. مدل‌سازی رگرسیون با اثرات تصادفی
• 91. مدل‌سازی رگرسیون با اثرات ثابت
• 92. کاربرد Stan در تحلیل داده‌های پزشکی
• 93. کاربرد Stan در تحلیل داده‌های مالی
• 94. کاربرد Stan در تحلیل داده‌های بازاریابی
• 95. مقدمه‌ای بر یادگیری ماشین بیزی
• 96. مدل‌های بیزی برای طبقه‌بندی
• 97. مدل‌های بیزی برای خوشه‌بندی
• 98. تحلیل عاملی اکتشافی با Stan
• 99. تحلیل عاملی تأییدی با Stan
• 100. مدل‌سازی ساختار عاملی در Stan