کتاب صوتی تنظیمات پیشرفته برای مدل‌سازی‌های پیچیده در Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته برای مدل‌سازی‌های پیچیده در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی Stan
• 2. نصب و راه‌اندازی Stan
• 3. مبانی مدل‌سازی آماری
• 4. مفاهیم احتمال و آمار
• 5. توزیع‌های احتمال گسسته
• 6. توزیع‌های احتمال پیوسته
• 7. استنتاج بیزی: مفاهیم پایه
• 8. قضیه بیز و کاربردهای آن
• 9. مدل‌های خطی تعمیم‌یافته (GLM)
• 10. مقدمه‌ای بر مدل‌های سلسله‌مراتبی
• 11. ساختارهای مدل‌سازی در Stan
• 12. سینتکس زبان Stan: بخش‌ها و دستورات
• 13. متغیرهای مدل و پارامترها
• 14. توابع چگالی احتمال (PDF) در Stan
• 15. تابع درست‌نمایی (Likelihood)
• 16. توزیع پیشین (Prior Distributions)
• 17. توزیع پسین (Posterior Distributions)
• 18. نمونه‌گیری از توزیع پسین
• 19. الگوریتم‌های MCMC: Metropolis-Hastings
• 20. الگوریتم‌های MCMC: Gibbs Sampling
• 21. الگوریتم‌های MCMC: Hamiltonian Monte Carlo (HMC)
• 22. الگوریتم‌های MCMC: No-U-Turn Sampler (NUTS)
• 23. اعتبارسنجی مدل‌های بیزی
• 24. بررسی همگرایی زنجیره‌های مارکوف
• 25. معیارهای ارزیابی مدل: R-hat
• 26. معیارهای ارزیابی مدل: Effective Sample Size (ESS)
• 27. بررسی تشخیصی مدل
• 28. مدل‌های رگرسیون خطی ساده در Stan
• 29. مدل‌های رگرسیون خطی چندگانه در Stan
• 30. مدل‌های رگرسیون لجستیک در Stan
• 31. مدل‌های رگرسیون پواسون در Stan
• 32. مدل‌های رگرسیون پواسون سلسله‌مراتبی
• 33. مدل‌های رگرسیون لجستیک سلسله‌مراتبی
• 34. مدل‌های مختلط (Mixed-Effects Models)
• 35. مدل‌های اثرات ثابت (Fixed Effects)
• 36. مدل‌های اثرات تصادفی (Random Effects)
• 37. مدل‌سازی داده‌های طولی
• 38. مدل‌سازی داده‌های خوشه‌ای
• 39. مدل‌سازی داده‌های فضایی
• 40. مدل‌سازی سری‌های زمانی
• 41. مدل‌های مارکوف پنهان (HMM)
• 42. مدل‌های گرافیکی (Graphical Models)
• 43. شبکه‌های بیزی
• 44. مدل‌سازی علّی (Causal Modeling)
• 45. روش‌های پیش‌پردازش داده‌ها
• 46. پاکسازی و پیش‌پردازش داده‌ها
• 47. مدیریت مقادیر گمشده
• 48. استانداردسازی و نرمال‌سازی داده‌ها
• 49. کار با داده‌های پرت (Outliers)
• 50. انتخاب ویژگی (Feature Selection)
• 51. مهندسی ویژگی (Feature Engineering)
• 52. مدل‌سازی پیشرفته در Stan
• 53. مدل‌های خطی تعمیم‌یافته سلسله‌مراتبی
• 54. مدل‌های رگرسیون ناپارامتری
• 55. مدل‌های گاما و بتا در Stan
• 56. مدل‌های بقا (Survival Analysis)
• 57. مدل‌های گسسته انتخاب (Discrete Choice Models)
• 58. مدل‌های احتمالاتی برای داده‌های طبقه‌بندی
• 59. مدل‌های تجزیه عاملی (Factor Analysis)
• 60. مدل‌های تفاوت در تفاوت (Difference-in-Differences)
• 61. مدل‌های مقایسه‌ای (Propensity Score Matching)
• 62. مدل‌سازی پویا (Dynamic Modeling)
• 63. مدل‌سازی مبتنی بر عامل (Agent-Based Modeling)
• 64. شبکه‌های عصبی و یادگیری عمیق در Stan
• 65. مقدمه‌ای بر شبکه‌های عصبی
• 66. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 67. شبکه‌های عصبی کانولوشنال (CNN)
• 68. شبکه‌های عصبی بازگشتی (RNN)
• 69. مقدمه‌ای بر یادگیری عمیق
• 70. کاربرد شبکه‌های عصبی در Stan
• 71. بهینه‌سازی مدل‌های پیچیده
• 72. تکنیک‌های تنظیم ابرپارامترها (Hyperparameter Tuning)
• 73. اعتبارسنجی متقابل (Cross-Validation)
• 74. ارزیابی عملکرد مدل‌های پیش‌بینی
• 75. تفسیرپذیری مدل‌های پیچیده
• 76. تکنیک‌های تجسم داده‌ها
• 77. تجسم مدل‌های بیزی
• 78. تجسم نتایج مدل‌سازی
• 79. کتابخانه‌های کمکی Stan
• 80. استفاده از R برای Stan
• 81. استفاده از Python برای Stan
• 82. استفاده از Julia برای Stan
• 83. مدل‌سازی اقتصادسنجی در Stan
• 84. مدل‌سازی مالی در Stan
• 85. مدل‌سازی آماری در علوم زیستی
• 86. مدل‌سازی آماری در علوم اجتماعی
• 87. مدل‌سازی آماری در علوم محیطی
• 88. مدل‌سازی آماری در مهندسی
• 89. کاربرد Stan در تحقیقات علمی
• 90. چالش‌ها و محدودیت‌های Stan
• 91. آینده Stan و مدل‌سازی بیزی
• 92. پروژه‌های عملی با Stan
• 93. حل مسائل پیچیده با Stan
• 94. مطالعات موردی پیشرفته
• 95. نکات و ترفندهای پیشرفته در Stan
• 96. بهینه‌سازی کد Stan
• 97. مدیریت حافظه در Stan
• 98. محاسبات موازی در Stan
• 99. استفاده از GPU در Stan
• 100. مدل‌سازی بیزی برای داده‌های بزرگ