کتاب صوتی کاربردهای تخصصی Stan در آمار بیزی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربردهای تخصصی Stan در آمار بیزی

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر آمار بیزی و مدل‌سازی
• 2. مبانی نظری استنتاج بیزی
• 3. مفاهیم احتمال شرطی و قضیه بیز
• 4. توزیع‌های پیشین و پسین
• 5. انتخاب توزیع پیشین مناسب
• 6. روش‌های نمونه‌گیری از توزیع پسین
• 7. مقدمه‌ای بر زبان برنامه‌نویسی R
• 8. مبانی کار با بسته‌های R
• 9. آشنایی با محیط Stan
• 10. نصب و راه‌اندازی Stan
• 11. مقدمه‌ای بر زبان Stan
• 12. نحو پایه در Stan
• 13. تعریف مدل‌های بیزی در Stan
• 14. توزیع‌های احتمال در Stan
• 15. توابع چگالی و توزیع‌های پیشین در Stan
• 16. توابع چگالی و توزیع‌های پسین در Stan
• 17. تعریف متغیرهای تصادفی در Stan
• 18. تعریف متغیرهای مشاهده‌شده در Stan
• 19. ساختار بلوک‌های مدل در Stan
• 20. بلوک `parameters`
• 21. بلوک `transformed parameters`
• 22. بلوک `model`
• 23. بلوک `generated quantities`
• 24. نمونه‌سازی اولیه از مدل‌های ساده
• 25. مدل رگرسیون خطی بیزی
• 26. مدل رگرسیون لجستیک بیزی
• 27. مدل‌های سری زمانی بیزی
• 28. مدل‌های سلسله‌مراتبی در Stan
• 29. مزایای مدل‌های سلسله‌مراتبی
• 30. پیاده‌سازی مدل‌های سلسله‌مراتبی در Stan
• 31. مدل اثرات مختلط در Stan
• 32. مدل‌های مکانی در Stan
• 33. مقدمه‌ای بر مدل‌های گرافیکی احتمالاتی
• 34. شبکه‌های بیزی
• 35. پیاده‌سازی شبکه‌های بیزی در Stan
• 36. تشخیص و رفع مشکلات نمونه‌گیری
• 37. معیارهای همگرایی در Stan
• 38. تحلیل و تفسیر نتایج نمونه‌گیری
• 39. ارزیابی برازش مدل
• 40. مقایسه مدل‌ها با معیارهای بیزی
• 41. اعتبارسنجی متقابل در رویکرد بیزی
• 42. کاربردهای Stan در علوم اجتماعی
• 43. کاربردهای Stan در علوم زیستی
• 44. کاربردهای Stan در اقتصاد
• 45. کاربردهای Stan در مهندسی
• 46. مدل‌سازی داده‌های گسسته در Stan
• 47. مدل‌سازی داده‌های پیوسته در Stan
• 48. مدل‌سازی داده‌های شمارشی در Stan
• 49. مدل‌سازی داده‌های دودویی در Stan
• 50. مدل‌سازی داده‌های ترتیبی در Stan
• 51. مدل‌سازی داده‌های چندمتغیره در Stan
• 52. استفاده از داده‌های شبیه‌سازی شده در Stan
• 53. اعتبارسنجی مدل با داده‌های شبیه‌سازی شده
• 54. تنظیم پارامترهای الگوریتم MCMC در Stan
• 55. بررسی حساسیت به توزیع پیشین
• 56. مدل‌سازی با استفاده از توزیع‌های سفارشی در Stan
• 57. توابع شرطی و تعریف توزیع‌های جدید
• 58. کاربرد توابع شرطی در مدل‌سازی
• 59. مدل‌سازی آماری برای داده‌های پرت
• 60. مدل‌سازی برای داده‌های از دست رفته
• 61. استفاده از رویکردهای imputation در Stan
• 62. مدل‌سازی با استفاده از توزیع‌های مخلوط
• 63. مدل‌های حالت پنهان در Stan
• 64. مدل‌های نقطه فرآیندی در Stan
• 65. کاربرد Stan در بهینه‌سازی بیزی
• 66. مقدمه‌ای بر یادگیری ماشین بیزی
• 67. مقایسه Stan با سایر نرم‌افزارهای آماری بیزی
• 68. Stan و زبان پایتون
• 69. Stan و زبان Julia
• 70. روش‌های پیشرفته نمونه‌گیری در Stan
• 71. نمونه‌گیری از طریق MCMC برداری
• 72. نمونه‌گیری از طریق Hamiltonian Monte Carlo
• 73. کاربرد Stan در تحلیل داده‌های بزرگ
• 74. بهینه‌سازی کد Stan برای سرعت
• 75. استفاده از Stan در محاسبات موازی
• 76. توسعه بسته‌های سفارشی برای Stan
• 77. مقدمه‌ای بر مدل‌های آماری پیشرفته
• 78. مدل‌سازی با استفاده از توزیع‌های گاما-گاما
• 79. مدل‌سازی با استفاده از توزیع‌های بتا-دوجمله‌ای
• 80. مدل‌سازی با استفاده از توزیع‌های پواسون-گاما
• 81. استفاده از Stan برای ارزیابی عدم قطعیت
• 82. کاربردهای Stan در تحلیل ریسک
• 83. مدل‌سازی اقتصادسنجی بیزی با Stan
• 84. کاربرد Stan در تحلیل داده‌های پانل
• 85. مدل‌سازی بیزی برای داده‌های شبکه‌ای
• 86. تحلیل بیزی داده‌های مکانی-زمانی
• 87. استفاده از Stan در شبیه‌سازی‌های مونت کارلو
• 88. مقدمه‌ای بر روش‌های بیزی بی‌پارامتریک
• 89. کاربرد Stan در مدل‌های غیرپارامتریک
• 90. مدل‌سازی با استفاده از فرآیندهای گاوسی
• 91. مدل‌سازی با استفاده از گره‌های تصادفی
• 92. روش‌های پیشرفته اعتبارسنجی مدل در Stan
• 93. تحلیل حساسیت مدل به فرضیات
• 94. تفسیر نتایج مدل‌های پیچیده در Stan
• 95. کاربرد Stan در تصمیم‌گیری تحت عدم قطعیت
• 96. مدل‌سازی بیزی برای پیش‌بینی
• 97. اصول طراحی آزمایش‌های بیزی با Stan
• 98. مدل‌سازی بیزی برای یادگیری تقویتی
• 99. کاربرد Stan در هوش مصنوعی
• 100. مقدمه‌ای بر روش‌های آماری نوین در Stan