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 مدل‌سازی آماری و استنتاج بیزی
• 2. مفاهیم پایه احتمال و آمار
• 3. توزیع‌های احتمال گسسته و پیوسته
• 4. نظریه برآورد و آزمون فرض
• 5. مقدمه‌ای بر مدل‌سازی خطی
• 6. رگرسیون خطی چندگانه
• 7. انتخاب متغیر در مدل‌های خطی
• 8. مقدمه‌ای بر مدل‌سازی سلسله مراتبی
• 9. مفاهیم پایه مدل‌سازی سلسله مراتبی
• 10. مدل‌های خطی سلسله مراتبی
• 11. استانداردسازی متغیرها در مدل‌های سلسله مراتبی
• 12. مقدمه‌ای بر زبان برنامه‌نویسی Stan
• 13. نصب و راه‌اندازی Stan
• 14. نوشتن مدل‌های ساده در Stan
• 15. کار با داده‌ها در Stan
• 16. انواع توزیع‌های احتمال در Stan
• 17. توابع کمکی در Stan
• 18. برنامه‌نویسی شرطی در Stan
• 19. حلقه‌ها در Stan
• 20. توابع سفارشی در Stan
• 21. اشکال‌زدایی مدل‌های Stan
• 22. اعتبارسنجی مدل‌های Stan
• 23. تشخیص همگرایی در MCMC
• 24. روش‌های تحلیل نتایج MCMC
• 25. مقدمه‌ای بر مدل‌سازی سری زمانی
• 26. مدل‌های ARIMA
• 27. مدل‌های نمایی هموارسازی
• 28. مدل‌های سری زمانی در Stan
• 29. مدل‌سازی روزانه و فصلی در Stan
• 30. مدل‌سازی داده‌های پنل
• 31. مدل‌های اثرات ثابت و تصادفی
• 32. مدل‌های پنل پویا
• 33. مدل‌سازی داده‌های پنل در Stan
• 34. مدل‌سازی پیش‌بینی در داده‌های پنل
• 35. مقدمه‌ای بر مدل‌سازی بقا
• 36. مدل کاپلان-مایر
• 37. مدل‌های رگرسیون کاکس
• 38. مدل‌سازی بقا در Stan
• 39. مدل‌سازی نرخ شکست در Stan
• 40. مقدمه‌ای بر مدل‌سازی رگرسیون لجستیک
• 41. رگرسیون لجستیک چندگانه
• 42. مدل‌سازی طبقه‌بندی در Stan
• 43. مدل‌سازی احتمال وقوع در Stan
• 44. مقدمه‌ای بر مدل‌سازی رگرسیون پواسون
• 45. مدل‌سازی داده‌های شمارشی در Stan
• 46. مدل‌سازی نرخ رویداد در Stan
• 47. مقدمه‌ای بر مدل‌سازی مدل‌های مخلوط (Mixture Models)
• 48. مدل‌های مخلوط گوسی
• 49. مدل‌سازی خوشه‌بندی در Stan
• 50. مدل‌سازی گروه‌های پنهان در Stan
• 51. مقدمه‌ای بر مدل‌سازی شبکه‌های عصبی
• 52. شبکه‌های عصبی پیشخور
• 53. شبکه‌های عصبی کانولوشنال
• 54. شبکه‌های عصبی بازگشتی
• 55. مقدمه‌ای بر یادگیری عمیق در Stan
• 56. پیاده‌سازی شبکه‌های عصبی ساده در Stan
• 57. مقدمه‌ای بر مدل‌سازی مبتنی بر عامل (Agent-Based Modeling)
• 58. مفاهیم پایه مدل‌سازی مبتنی بر عامل
• 59. طراحی عامل‌ها و محیط در مدل‌سازی مبتنی بر عامل
• 60. شبیه‌سازی مدل‌های مبتنی بر عامل
• 61. تحلیل نتایج مدل‌سازی مبتنی بر عامل
• 62. مدل‌سازی شبیه‌سازی در Stan
• 63. مدل‌سازی پیچیده در Stan
• 64. مدل‌سازی سیستم‌های پویا در Stan
• 65. مدل‌سازی پدیده‌های پیچیده در Stan
• 66. مقدمه‌ای بر بهینه‌سازی در Stan
• 67. بهینه‌سازی تابع هدف
• 68. روش‌های بهینه‌سازی عددی
• 69. بهینه‌سازی در مدل‌های آماری
• 70. بهینه‌سازی پارامترهای مدل در Stan
• 71. بهینه‌سازی مدل‌های پیچیده در Stan
• 72. مقدمه‌ای بر روش‌های مونت کارلو زنجیره مارکوف (MCMC)
• 73. الگوریتم گیبس سمپلینگ
• 74. الگوریتم متروپلیس-هستینگز
• 75. ارزیابی کیفیت نمونه‌گیری MCMC
• 76. روش‌های پیشرفته MCMC
• 77. کاربرد MCMC در مدل‌سازی‌های پیچیده
• 78. مقدمه‌ای بر مدل‌سازی‌های غیرپارامتری
• 79. توابع کرنل
• 80. مدل‌های کرنل در Stan
• 81. مدل‌سازی‌های غیرپارامتری در Stan
• 82. مدل‌سازی‌های انعطاف‌پذیر در Stan
• 83. مقدمه‌ای بر مدل‌سازی‌های بیزی سلسله مراتبی پیشرفته
• 84. مدل‌های بیزی سلسله مراتبی با ساختارهای پیچیده
• 85. مدل‌سازی‌های بیزی سلسله مراتبی برای داده‌های حجیم
• 86. روش‌های پیشرفته مدل‌سازی بیزی سلسله مراتبی
• 87. کاربرد مدل‌سازی بیزی سلسله مراتبی در مسائل پیچیده
• 88. مقدمه‌ای بر نرم‌افزارهای آماری پیشرفته
• 89. مقایسه Stan با سایر نرم‌افزارهای آماری
• 90. کاربرد Stan در تحقیقات علمی
• 91. آماده‌سازی داده‌ها برای مدل‌سازی پیشرفته
• 92. اصول گزارش‌دهی نتایج مدل‌سازی پیشرفته
• 93. اخلاق در مدل‌سازی آماری