اپلیکیشن اندرویدی فلش‌کارت آموزشی تنظیمات پیشرفته برای مدل‌سازی در Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته برای مدل‌سازی 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 R
• 2. نصب و راه‌اندازی R و RStudio
• 3. ساختار داده‌ها در R: بردارها، ماتریس‌ها، لیست‌ها
• 4. کار با داده‌ها: وارد کردن و پاکسازی
• 5. مبانی برنامه‌نویسی در R: متغیرها، عملگرها، شرط‌ها
• 6. حلقه‌ها و توابع در R
• 7. مفاهیم آماری پایه برای مدل‌سازی
• 8. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLMs)
• 9. رگرسیون خطی ساده و چندگانه
• 10. ارزیابی مدل‌های رگرسیون خطی
• 11. مقدمه‌ای بر مدل‌سازی احتمالاتی
• 12. تابع درست‌نمایی (Likelihood Function)
• 13. روش حداکثر درست‌نمایی (Maximum Likelihood Estimation)
• 14. مقدمه‌ای بر زبان مدل‌سازی Stan
• 15. نصب و راه‌اندازی Stan
• 16. نحو پایه Stan: متغیرها، بلوک‌ها
• 17. تعریف مدل‌های آماری در Stan
• 18. اجرای مدل‌ها در Stan
• 19. تحلیل نتایج خروجی Stan
• 20. نمودارهای تشخیصی و ارزیابی همگرایی
• 21. مقدمه‌ای بر مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 22. مزایای مدل‌های سلسله‌مراتبی
• 23. پیاده‌سازی مدل‌های سلسله‌مراتبی در Stan
• 24. مدل‌های اثرات مختلط (Mixed-Effects Models)
• 25. مدل‌های رگرسیون سلسله‌مراتبی
• 26. مدل‌های خطی سلسله‌مراتبی
• 27. مدل‌های لجستیک سلسله‌مراتب
• 28. مدل‌های پواسون سلسله‌مراتبی
• 29. مدل‌سازی سری‌های زمانی در Stan
• 30. مقدمه‌ای بر مدل‌های سری زمانی
• 31. مدل ARMA و ARIMA
• 32. پیاده‌سازی مدل‌های سری زمانی در Stan
• 33. مدل‌های پیش‌بینی در Stan
• 34. مدل‌سازی داده‌های فضایی در Stan
• 35. مفاهیم پایه در مدل‌سازی فضایی
• 36. مدل‌های رگرسیون فضایی
• 37. پیاده‌سازی مدل‌های فضایی در Stan
• 38. مدل‌سازی داده‌های بقا (Survival Analysis)
• 39. مبانی تحلیل بقا
• 40. مدل کاکس (Cox Proportional Hazards Model)
• 41. پیاده‌سازی مدل کاکس در Stan
• 42. مدل‌های بقا با اثرات تصادفی
• 43. مدل‌سازی داده‌های شمارشی (Count Data Models)
• 44. مقدمه‌ای بر داده‌های شمارشی
• 45. مدل پواسون
• 46. مدل دوجنبه‌ای منفی (Negative Binomial)
• 47. پیاده‌سازی مدل‌های شمارشی در Stan
• 48. مدل‌سازی داده‌های دودویی (Binary Data Models)
• 49. مدل رگرسیون لجستیک
• 50. مدل پروبیت (Probit)
• 51. پیاده‌سازی مدل‌های دودویی در Stan
• 52. مدل‌سازی داده‌های ترتیبی (Ordinal Data Models)
• 53. مقدمه‌ای بر داده‌های ترتیبی
• 54. مدل رگرسیون ترتیبی
• 55. پیاده‌سازی مدل‌های ترتیبی در Stan
• 56. مدل‌سازی عدم قطعیت در پیش‌بینی
• 57. روش‌های بیزی برای ارزیابی عدم قطعیت
• 58. توزیع‌های پیشین (Prior Distributions)
• 59. انتخاب و تفسیر توزیع‌های پیشین
• 60. تاثیر توزیع پیشین بر نتایج
• 61. مدل‌سازی داده‌های گمشده (Missing Data Models)
• 62. روش‌های برخورد با داده‌های گمشده
• 63. مدل‌سازی داده‌های گمشده به صورت بیزی
• 64. پیاده‌سازی مدل‌های داده گمشده در Stan
• 65. بهینه‌سازی مدل در Stan
• 66. تنظیم پارامترهای MCMC (Markov Chain Monte Carlo)
• 67. تشخیص و رفع مشکلات همگرایی
• 68. بهبود کارایی محاسباتی در Stan
• 69. اعتبارسنجی مدل (Model Validation)
• 70. اعتبارسنجی متقابل (Cross-Validation)
• 71. پیش‌بینی خارج از نمونه (Out-of-Sample Prediction)
• 72. تفسیر نتایج مدل‌های پیچیده
• 73. مقایسه مدل‌ها
• 74. مدل‌سازی بیزی پیشرفته
• 75. استفاده از بسته 'brms' در R
• 76. استفاده از بسته 'rstanarm' در R
• 77. ساخت مدل‌های سفارشی در Stan
• 78. مدل‌سازی شبکه‌های اجتماعی در Stan
• 79. مدل‌سازی گراف در Stan
• 80. مدل‌سازی روابط در شبکه‌های اجتماعی
• 81. کاربرد در علوم اجتماعی و اقتصادی
• 82. کاربرد در علوم زیستی و پزشکی
• 83. کاربرد در مهندسی و علوم داده
• 84. مقدمه‌ای بر یادگیری ماشین بیزی
• 85. مقایسه مدل‌های بیزی و یادگیری ماشین کلاسیک
• 86. پردازش زبان طبیعی با رویکرد بیزی
• 87. پردازش تصویر با رویکرد بیزی
• 88. اخلاق در مدل‌سازی آماری
• 89. مسئولیت‌پذیری در استفاده از داده‌ها
• 90. حفظ حریم خصوصی در تحلیل آماری
• 91. کاربرد مدل‌سازی در حل مسائل اجتماعی
• 92. کاربرد مدل‌سازی در بهبود فرآیندها
• 93. مدل‌سازی ریسک و تصمیم‌گیری
• 94. مقدمه‌ای بر محاسبات علمی با R
• 95. کاربرد R در تحقیقات علمی
• 96. آخرین تحولات در زبان Stan
• 97. منابع تکمیلی برای یادگیری Stan