اپلیکیشن اندرویدی فلش‌کارت آموزشی تنظیمات پیشرفته for Bayesian Modeling in Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته for Bayesian Modeling in Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تنظیمات پیشرفته در Stan
• 2. مروری بر مفاهیم پایه بیزی و MCMC
• 3. ساختار مدل در Stan: یک نمای کلی
• 4. توابع توزیع احتمال در Stan: کاربردهای پیشرفته
• 5. تعریف مدل‌های سلسله مراتبی در Stan
• 6. مدل‌سازی اثرات تصادفی با Stan
• 7. مدل‌سازی داده‌های از دست رفته (Missing Data) در Stan
• 8. استفاده از محدودیت‌ها (Constraints) در مدل‌های Stan
• 9. مدل‌سازی داده‌های سانسور شده (Censored Data)
• 10. مدل‌سازی تغییرات ساختاری (Regime Switching) در Stan
• 11. استفاده از توابع احتمال سفارشی در Stan
• 12. بهینه‌سازی کد Stan برای سرعت و کارایی
• 13. تشخیص همگرایی (Convergence Diagnostics) پیشرفته در Stan
• 14. آشنایی با Rhat، Effective Sample Size و سایر معیارهای همگرایی
• 15. استفاده از الگوریتم‌های نمونه‌گیری مختلف در Stan (NUTS, HMC)
• 16. تنظیم پارامترهای الگوریتم نمونه‌گیری برای بهبود عملکرد
• 17. مدل‌سازی روابط غیرخطی با Stan
• 18. استفاده از تبدیل‌های پارامتری (Parametric Transformations)
• 19. مدل‌سازی مدل‌های پویا (Dynamic Models) در Stan
• 20. پیاده‌سازی مدل‌های بقا (Survival Models) با Stan
• 21. مدل‌سازی داده‌های مکانی (Spatial Data) در Stan
• 22. استفاده از Stan با داده‌های بزرگ (Big Data)
• 23. مقایسه مدل‌ها با استفاده از معیار Bayes Factor
• 24. اعتبارسنجی مدل (Model Validation) و بررسی حساسیت
• 25. استفاده از Stan برای پیش‌بینی (Prediction)
• 26. ادغام Stan با زبان‌های برنامه‌نویسی دیگر (R, Python)
• 27. پیاده‌سازی مدل های بیزی غیرparametric در Stan
• 28. استفاده از Stan برای مدل‌سازی causal inference
• 29. تنظیمات پیشرفته برای مدل‌های چند متغیره (Multivariate Models)
• 30. بهینه‌سازی برای مدل‌های پیچیده با استفاده از روش‌های Variational Inference
• 31. استفاده از Stan برای تحلیل سری‌های زمانی (Time Series Analysis)
• 32. مدل‌سازی ترکیبی (Mixture Models) در Stan