اپلیکیشن اندرویدی فلش‌کارت آموزشی استفاده از Stan برای تحلیل پیشرفته داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از Stan برای تحلیل پیشرفته داده

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 MCMC
• 3. معرفی Stan: زبان برنامه‌نویسی احتمالی
• 4. نصب و راه‌اندازی Stan و رابط‌های کاربری (RStan, CmdStan)
• 5. ساختار یک مدل Stan: داده‌ها، پارامترها، و مدل
• 6. توابع توزیع احتمال در Stan
• 7. مدل‌های خطی در Stan
• 8. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 9. مدل‌های رگرسیونی لجستیک در Stan
• 10. مدل‌های سلسله‌مراتبی (Hierarchical Models) در Stan
• 11. مدل‌های اثرات تصادفی در Stan
• 12. مدل‌های مخلوط (Mixture Models) در Stan
• 13. مدل‌های تغییر حالت (State-Space Models) در Stan
• 14. مدل‌های بقا (Survival Analysis) در Stan
• 15. برنامه‌نویسی توابع سفارشی در Stan
• 16. ارزیابی همگرایی MCMC در Stan: R-hat, Effective Sample Size
• 17. تشخیص مشکلات همگرایی و راهکارهای رفع آن‌ها
• 18. پیش‌بینی پسین (Posterior Predictive Checks)
• 19. اعتبارسنجی مدل با استفاده از داده‌های جدید
• 20. بهینه‌سازی مدل Stan: سرعت و کارایی
• 21. استفاده از Priorهای آگاهانه و غیرآگاهانه
• 22. Priorهای سلسله‌مراتبی و Regularizing Priors
• 23. مدل‌سازی داده‌های گمشده (Missing Data) در Stan
• 24. مدل‌سازی داده‌های سانسور شده (Censored Data) در Stan
• 25. مدل‌سازی داده‌های ترتیبی (Ordinal Data) در Stan
• 26. مدل‌سازی داده‌های چندمتغیره (Multivariate Data) در Stan
• 27. استفاده از Stan برای تحلیل سری‌های زمانی
• 28. مدل‌های VAR در Stan
• 29. مدل‌سازی داده‌های پانل (Panel Data) در Stan
• 30. مقدمه‌ای بر Stan و یادگیری ماشین
• 31. مدل‌های بیزی نیمه پارامتری (Semi-Parametric Bayesian Models) در Stan
• 32. انتخاب مدل (Model Selection) با استفاده از Stan: WAIC, LOO
• 33. مقایسه مدل‌ها و ارزیابی عدم قطعیت
• 34. استفاده از Stan با داده‌های بزرگ (Big Data)
• 35. مقدمه‌ای بر CmdStanPy و Python
• 36. استفاده از Stan برای تحلیل داده‌های مکانی
• 37. مدل‌سازی داده‌های جغرافیایی در Stan