اپلیکیشن اندرویدی فلش‌کارت آموزشی رفع اشکال مدل‌های Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رفع اشکال مدل‌های Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمات و مبانی مدل‌سازی آماری
• 2. آشنایی با زبان برنامه‌نویسی R
• 3. نصب و پیکربندی محیط R و RStudio
• 4. مفاهیم اساسی احتمال و آمار
• 5. توزیع‌های احتمال گسسته و پیوسته
• 6. برآورد پارامترها و فواصل اطمینان
• 7. آزمون فرض آماری
• 8. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 9. رگرسیون خطی ساده و چندگانه
• 10. انتخاب مدل و معیارهای ارزیابی
• 11. مقدمه‌ای بر زبان مدل‌سازی Stan
• 12. نصب و راه‌اندازی Stan
• 13. سینتکس پایه Stan: تعریف داده‌ها، پارامترها، مدل و فراخوان
• 14. نوشتن اولین مدل در Stan
• 15. کار با توزیع‌های نرمال و گوسی در Stan
• 16. مدل‌سازی داده‌های شمارشی با توزیع پواسون
• 17. مدل‌سازی داده‌های دودویی با توزیع برنولی
• 18. رگرسیون لجستیک در Stan
• 19. مدل‌سازی داده‌های ترتیبی
• 20. مقدمه‌ای بر مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 21. فایده مدل‌های سلسله‌مراتبی
• 22. پیاده‌سازی مدل‌های سلسله‌مراتبی ساده در Stan
• 23. مدل‌های سلسله‌مراتبی با اثرات تصادفی (Random Effects)
• 24. مدل‌سازی اثرات ثابت و تصادفی
• 25. مدل‌سازی اثرات متقابل (Interaction Effects)
• 26. کاربرد مدل‌های سلسله‌مراتبی در علوم اجتماعی
• 27. کاربرد مدل‌های سلسله‌مراتبی در علوم زیستی
• 28. کاربرد مدل‌های سلسله‌مراتبی در اقتصاد
• 29. کاربرد مدل‌های سلسله‌مراتبی در مهندسی
• 30. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 31. اصول MCMC: نمونه‌برداری و همگرایی
• 32. تشخیص همگرایی در MCMC
• 33. معیارهای ارزیابی همگرایی (R-hat, ESS)
• 34. نوشتن مدل‌های پیچیده‌تر در Stan
• 35. استفاده از توابع پیشرفته Stan
• 36. مدیریت داده‌های گمشده (Missing Data) با Stan
• 37. مدل‌سازی داده‌های سری زمانی در Stan
• 38. مدل‌های ARIMA در Stan
• 39. مدل‌های فضایی در Stan
• 40. مقدمه‌ای بر شبکه‌های عصبی در Stan
• 41. پیاده‌سازی شبکه‌های عصبی ساده در Stan
• 42. شبکه‌های عصبی عمیق در Stan
• 43. مقدمه‌ای بر مدل‌سازی بیزی
• 44. تفاوت رویکرد بیزی و فراوانی‌گرا
• 45. قانون بیز و مفاهیم اولیه
• 46. انتخاب پیشین‌ها (Priors) در مدل‌سازی بیزی
• 47. پیاده‌سازی مدل‌های بیزی ساده با Stan
• 48. ارزیابی مدل‌های بیزی
• 49. مقدمه‌ای بر مدل‌های گرافی احتمالی (Probabilistic Graphical Models)
• 50. شبکه‌های بیزی ساده
• 51. پیاده‌سازی شبکه‌های بیزی در Stan
• 52. مقدمه‌ای بر مدل‌سازی بقا (Survival Analysis)
• 53. مدل کاکس (Cox Proportional Hazards Model) در Stan
• 54. مدل‌های بقای پارامتری در Stan
• 55. مدل‌سازی داده‌های پانل (Panel Data) در Stan
• 56. مدل‌های اثرات ثابت و تصادفی برای داده‌های پانل
• 57. مدل‌سازی داده‌های مکانی-زمانی (Spatio-Temporal Data)
• 58. مقدمه‌ای بر بهینه‌سازی در Stan
• 59. روش‌های بهینه‌سازی بیزی
• 60. استفاده از Stan برای مسائل بهینه‌سازی
• 61. مقدمه‌ای بر تحلیل عاملی (Factor Analysis)
• 62. پیاده‌سازی تحلیل عاملی اکتشافی در Stan
• 63. پیاده‌سازی تحلیل عاملی تأییدی در Stan
• 64. مقدمه‌ای بر مدل‌سازی معادلات ساختاری (Structural Equation Modeling - SEM)
• 65. پیاده‌سازی SEM ساده در Stan
• 66. مدل‌سازی پیشرفته SEM در Stan
• 67. مدل‌سازی رویدادهای نادر (Rare Events Modeling)
• 68. مدل‌سازی داده‌های حجیم (Big Data) با Stan
• 69. استفاده از Stan برای تحلیل داده‌های بزرگ
• 70. مقدمه‌ای بر مدل‌سازی پویایی سیستم‌ها (System Dynamics Modeling)
• 71. پیاده‌سازی مدل‌های پویایی سیستم‌ها در Stan
• 72. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 73. پیاده‌سازی الگوریتم‌های یادگیری تقویتی در Stan
• 74. مقدمه‌ای بر مدل‌سازی شبکه (Network Modeling)
• 75. تحلیل شبکه‌های اجتماعی در Stan
• 76. مدل‌سازی دینامیک شبکه‌ها
• 77. مقدمه‌ای بر مدل‌سازی بازی‌ها (Game Theory Modeling)
• 78. پیاده‌سازی مدل‌های بازی در Stan
• 79. حل مسائل پیچیده با Stan
• 80. بهینه‌سازی عملکرد مدل‌های Stan
• 81. رفع اشکال مدل‌های پیچیده Stan
• 82. مطالعات موردی پیشرفته در Stan
• 83. کاربردهای نوین Stan در حوزه‌های مختلف
• 84. مقدمه‌ای بر مباحث پیشرفته در آمار بیزی
• 85. معرفی کتابخانه‌های کمکی Stan
• 86. کار با داده‌های حجیم و محاسبات توزیع‌شده
• 87. اخلاق در تحلیل داده و گزارش‌دهی
• 88. ملاحظات قانونی در تحلیل داده در ایران
• 89. حفظ حریم خصوصی داده‌ها
• 90. امنیت داده‌ها در فرآیند مدل‌سازی
• 91. گزارش‌دهی نتایج مدل‌سازی با رعایت چارچوب‌های رسمی
• 92. اصول نگارش علمی گزارش‌های آماری
• 93. ارائه نتایج مدل‌سازی به مخاطبان غیرمتخصص
• 94. مبانی اعتبارسنجی مدل‌ها
• 95. پایش و به‌روزرسانی مدل‌ها
• 96. نکات تکمیلی و جمع‌بندی