اپلیکیشن اندرویدی فلش‌کارت آموزشی استفاده از Stan for Advanced Analysis

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از Stan for Advanced Analysis

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 احتمالی
• 2. مروری بر روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC)
• 3. معرفی Stan: یک زبان برنامه‌نویسی احتمالاتی
• 4. نصب و راه‌اندازی Stan و رابط‌های آن (RStan, CmdStan)
• 5. ساختار یک مدل Stan: داده‌ها، پارامترها، و مدل
• 6. توابع توزیع احتمال در Stan
• 7. تعریف مدل‌های سلسله مراتبی در Stan
• 8. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 9. مدل‌های مخلوط (Mixture Models) در Stan
• 10. مدل‌های تغییر شکل (Transformation Models) در Stan
• 11. مدل‌های بقا (Survival Models) در Stan
• 12. مدل‌های زمانی (Time Series Models) در Stan
• 13. استفاده از Priorهای آگاهانه و غیرآگاهانه
• 14. انتخاب Prior مناسب برای پارامترها
• 15. تشخیص همگرایی MCMC در Stan
• 16. آزمون‌های همگرایی: R-hat, Effective Sample Size
• 17. پیش‌بینی پسین (Posterior Predictive Checks)
• 18. ارزیابی تناسب مدل با داده‌ها
• 19. مدل‌سازی missing data در Stan
• 20. مدل‌سازی داده‌های سانسور شده (censored data)
• 21. بهینه‌سازی مدل Stan: سرعت و کارایی
• 22. تنظیم پارامترهای نمونه‌گیری Stan (step size, adapt_delta)
• 23. استفاده از الگوریتم‌های نمونه‌گیری مختلف در Stan (NUTS, HMC)
• 24. مقایسه مدل‌ها با استفاده از اطلاعات پسین
• 25. محاسبه و تفسیر توابع loss پسین
• 26. مدل‌سازی با داده‌های نامتجانس (heterogeneous data)
• 27. استفاده از Stan برای تحلیل داده‌های مکانی
• 28. مدل‌سازی با استفاده از داده‌های پانل (panel data)
• 29. پیاده‌سازی مدل‌های بیزی غیرپارامتری در Stan
• 30. مدل‌سازی فرآیندهای گوسی (Gaussian Processes) در Stan
• 31. مقدمه‌ای بر Stan Variational Autoencoders (VAE)
• 32. استفاده از Stan برای یادگیری ماشین بیزی
• 33. استفاده از Stan برای مدل‌سازی شبکه‌های بیزی
• 34. مدل‌سازی Bayesian A/B Testing با Stan
• 35. کاربرد Stan در مسائل مالی (Financial Modeling)
• 36. کاربرد Stan در علوم زیستی (Biostatistics)